主成分分析

主成分分析 主成分分析是将多波段影像线性变换为互不相关的若干主成分，前几个主成分集中绝大部分信息达到降维目的。权威解读

📐 测量原理：协方差矩阵特征分解提取影像本征结构。 | 🔭 仪器与方法：ENVI、Python scikit-learn等PCA实现。 | 📋 标准与规范：参照GB/T 36301。

📖 深度解析

🧭 核心原理 —— 对多波段协方差矩阵求特征值和特征向量，按特征值大小排序投影得到主成分，第一主成分方差最大含信息最多。
💡 核心要点：理解空间信息获取的内在规律。
🗺️ 典型案例 —— Landsat-8的7波段PCA后前3分量含95%以上信息。
💡 实际效果：测绘工程实践参考。
📊 关键数据 —— PCA降维后分类效率提升与波段数平方根成正比。
💡 量化指标：测绘工程统计数据。

为什么PCA广泛用于高光谱降维？

提示： 从高光谱上百波段的强相关性和维数灾难分析。

👉 点击查看参考思路

高光谱相邻波段高度相关，PCA去除冗余用少量主成分替代百维原始波段降低计算量和存储。

误区： PCA主成分越多精度越高。
事实： 后几个主成分多为噪声，选取过多反而引入噪声。

问： PCA后的主成分怎么解释？

答：各主成分是原始波段的线性组合没有直接物理含义。

前置依赖： 图像融合、辐射增强与几何校正。

后续延伸： 面向对象分类、深度学习遥感解译。

🌱 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。

各主成分方差大小。

各分量线性组合输出。

PCA色域增强。

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。