1) principal component pixels decomposition
主成分像元分解
1.
Transects fractal dimensions of urban land surface temperatures image,NDVI image and principal component pixels decomposition analysis image are computed in this paper.
利用主成分像元分解分析法提取植被信息,计算了城市地面亮温、NDVI、主成分像元分解分析3幅图像的样带分形维数,分析了3幅图像及其样带分形维数的特征,探讨了地面亮温与植被的关系。
2) pixel unmixing
像元分解
1.
Improvement of pixel unmixing technique of multi-spectral remote sensing in urban area;
城市多光谱遥感像元分解技术改进研究
2.
Linear pixel unmixing is a straightforward and efficient approach to spectral decomposition of remotely sensed data.
为此针对这种不足 ,提出一种非监督的正交子空间投影 ( U OSP)技术 ,用来自动获取影像端元光谱 ,同时进行混合像元分解。
4) principal component decomposition(PCD)
主成分分解
5) pixel component unmixing
像元组分分解
1.
Up to now, pixel component unmixing models include linear spectralmixture model(LSMM), fuzzy classification model, neural networks modeland Gaussian mixture discrimin.
像元组分分解模型主要包括线性光谱混合模型(LSMM)、模糊分类器模型、神经网络模型以及高斯混合判别分析模型(MDA)。
6) Principal Component Explanation
主成分解释
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条