主成分分析

主成分分析 主成分分析是一种正交变换技术，将原始多光谱波段映射为新一组不相关主成分以压缩数据和去相关。权威解读

📐 测量原理：通过对原始影像协方差矩阵求特征值和特征向量，将原始影像集重投影到方差最大的主轴。第一主成分含最大信息。 | 🔭 仪器与方法：ENVI和R语言中可直接调用。 | 📋 标准与规范：参照多光谱变换应用规范。

📖 深度解析

PCA应用局限在何处？

提示： 从其对小样本和离群噪声敏感的角度思考。

👉 点击查看参考思路

少数极端像元可显著扭曲主方向造成信号抽取严重失真。

误区： 主成分数保留越多越好。
事实： 高次成分多含噪声。

问： PCA处理完的影像能否直接分类？

答：可以，往往能有效缩短处理时长。- ❌ 误区：主成分数保留越多越好。 ✅ 事实：高次成分多含噪声。

前置依赖： 图像融合、辐射增强与几何校正

后续延伸： 特征提取、分类后处理

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

只用前几个主成分储存大于原图信息。

消除原始光谱波段强相关性。

高维PCA残差可用于识别不明显异常目标。

我是学习遥感图像处理的测绘工程学生，请结合具体案例详细讲解主成分分析的测量原理、仪器与方法、以及标准与规范，并指出常见误区。