새로운 원격 감지 스펙트럼 데이터를 얻은 후에는 스펙트럼 데이터를 더 잘 활용하고 새로운 정보를 발굴할 수 있도록 기존 이미지 처리 기술을 기반으로 새로운 방법을 개선하거나 개발해야 합니다. 원격 감지 이미지 처리는 일반적으로 이미지 복원, 이미지 향상, 이미지 합성 및 이미지 분류의 네 부분으로 나뉩니다. 이미지 복원 처리는 이미징 중 방사선 왜곡, 기하학적 왜곡, 다양한 소음 및 고주파 정보 손실을 보정하고 보정하는 것을 말합니다. 일반적으로 방사선 보정, 형상 보정, 접선 보정, 스트라이핑, 디지털 확대, 테셀레이션 등 사전 처리의 범주에 속하며 일반적인 원격 감지 이미지 처리의 첫 단계입니다. 이미지 향상 처리 (이미지 정보 추출이라고도 함) 는 특정 수학적 변환을 통해 이미지의 개체 간 그레이스케일 차이를 확대하여 주요 대상 정보를 강조하거나 이미지의 시각 효과를 향상시킵니다. 해석자의 분별력을 높이거나 직접 개체를 인식하는 것은 원격 감지 응용 프로그램에서 이미지 처리의 가장 중요한 측면입니다. 이미지의 형성 메커니즘을 이해해야 할 뿐만 아니라 대상의 스펙트럼과 공간 특징을 연구하여 이미지 대상 정보를 추출할 수 있기 때문에 대비 향상, 색상 향상, 연산 향상, 변환 향상 등 여러 가지 방법이 있습니다. 이미지 합성 처리 (다중 정보 합성이라고도 함) 는 원격 감지 어플리케이션의 가장 효과적인 형태이자 향후 원격 감지, 지리 정보 시스템 등 응용학과가 실제 문제를 해결할 수 있는 유일한 방법입니다. 이곳의 다원은 다양한 원격 감지 데이터 소스와 원격감지 데이터 소스를 가리킨다. 다원정보 합성이란 같은 지역의 서로 다른 출처의 디지털 이미지와 다른 유형의 데이터를 균일한 지리적 좌표에 따라 공간 등록 및 중첩하여 서로 다른 데이터 소스를 비교하거나 종합적으로 분석하여 그림이나 현상의 본질을 드러내는 것을 말합니다. 따라서 실제 문제 해결의 목적을 달성하다. 대략 두 가지 구현 방법이 있습니다. 하나는 다양한 데이터 소스의 데이터를 별도로 처리하고 대비를 중첩하는 것입니다. 두 번째는 원격 감지 데이터의 각 채널과 기타 데이터 소스의 데이터를 변수로 처리하고, 일관되게 처리하고, 마지막으로 종합적으로 분석하는 것입니다. 이미지 분류 처리는 다중 대역 원격 감지 데이터를 말하며, 해당 이미지 요소가 다차원 스펙트럼 공간에 분포하는 특징에 따라 특정 통계 의사 결정 기준에 따라 컴퓨터를 통해 서로 다른 스펙트럼 클러스터 유형을 구분하고 식별하여 목표의 자동 분류 인식을 달성합니다. 분류하기 전에 알려진 클래스의 교육 픽셀이 필요한지 여부에 따라 감독 분류와 감독되지 않은 분류로 나뉜다. 감독되지 않은 분류 계산은 간단하고 구현하기 쉽지만 정확도가 떨어집니다. 감독 분류 계산은 복잡하지만 정확도가 높기 때문에 일반적으로 알려진 클래스의 픽셀을 교육하는 데 적합하며 정확도가 높아야 하며 각 픽셀 클래스의 속성을 제공합니다. 응용 분야가 다르기 때문에 대상 객체가 다르므로 특정 객체에 적합한 이미지 분류 방법을 개발할 수 있습니다.

주 교수는 그림 4- 1 형식으로 원격 감지 디지털 이미지 처리 과정과 각 부분 간의 관계를 쉽게 이해할 수 있고 간결하게 표현했다. 다음은 원격 감지 이미지 정보 추출 및 분류의 두 가지 중요한 측면을 중점적으로 설명합니다.

대상에 대한 정보를 얻기 위해 원격 감지 이미지에서 간섭 정보를 억제하고 제거하여 유용한 정보를 강조하는 경우가 많습니다. 이때 이미지 정보 향상 및 추출 방법이 필요합니다. 일반적으로 이러한 방법은 스펙트럼 특징에 기반한 강도 차이, 스펙트럼 특징에 기반한 변이 규칙 차이 등 세 가지 범주로 나눌 수 있습니다.

그림 4- 1 원격 감지 이미지 처리의 기본 흐름

1. 스펙트럼 특성 반사 강도의 차이에 따른 정보 추출 방법

(1) 대비 향상

대비 확장 또는 늘이기 향상이라고도 하는 대비 향상은 이미지의 그레이스케일 값 (픽셀의 스펙트럼 반사도) 분포를 확장하거나 확대하여 전체 동적 범위 (0 ~ 255) 를 차지하도록 하여 오브젝트 간의 그레이스케일 차이를 확대하고 그레이스케일을 최대한 많이 구분할 수 있는 처리 기술입니다. 원격 감지 이미지의 그레이스케일 값 분포는 일반적으로 한 이미지에서 서로 다른 그레이스케일 픽셀의 주파수 히스토그램으로 표현될 수 있으며, 그 분포는 기본적으로 해당 밴드 내의 오브젝트에 대한 이미지의 해상도 및 그레이스케일 값 분포의 동적 범위를 나타냅니다. 대비 향상은 이미지 픽셀의 그레이스케일 값을 변경하는 빈도 히스토그램 분포로, 그레이스케일 값의 동적 범위를 확대하여 정보 향상을 위한 것입니다. 처리 대상은 단일 밴드 이미지입니다. 간단히 함수 관계로 표현하면 대비 향상은 다음과 같습니다.

Y=f(x) (4- 1)

여기서 y 는 향상된 이미지의 픽셀에 대한 그레이스케일 값을 나타냅니다. X 는 원래 입력 이미지에 있는 픽셀의 그레이스케일 값을 나타냅니다. 함수 F 는 향상 모드를 나타내며, F 에 따라 다른 유형의 향상 모드가 있습니다 (그림 4-2 참조). 두 가지 처리 방법이 있습니다. 하나는 함수 변환을 사용하여 이미지의 각 픽셀 점을 변환하는 것이며, 파워 객체 (그림) 를 결정할 때 자주 사용됩니다. 두 번째는 이미지의 픽셀 간 회색 음영 구조 관계를 변경하는 것입니다. 즉, 히스토그램 조정을 통해 이미지의 회색 음영 구조를 변경하는 것입니다 (예: 일반적인 히스토그램 평준화).

그림 4-2 여러 가지 대비 향상 방법

(2) 색상 개선

사람의 눈은 순수한 흑백 그레이스케일보다 색상을 구분할 수 있는 능력이 훨씬 강하므로 색상 향상을 사용하여 그림을 강조하는 것이 상당한 장점이 있습니다. 색상 향상은 일반적으로 두 가지로 나뉩니다. 하나는 단일 밴드의 의사 색상 향상입니다. 둘째, 다중 대역 가짜 색상 합성. 단일 밴드 의사 색상 향상에 일반적으로 사용되는 방법은 다음과 같습니다. ① 색상 밀도 분할; ② 그레이 스케일-컬러 변환. 색상 밀도 분할의 기본 방법은 표현할 대상 오브젝트의 그레이스케일 값 (픽셀 스펙트럼 반사도) 에 따라 단일 밴드 이미지를 서로 다른 그레이스케일로 나누고 대상 오브젝트에 서로 다른 그레이스케일을 지정한 다음 다른 색상으로 채워서 단일 밴드 이미지를 의사 색상 이미지로 변환하는 것입니다. 이 방법은 쉽게 구분할 수 있도록 이미지를 분류한 결과 이미지에도 자주 사용됩니다. 이 방법을 사용할 때 공간적으로 유사한 피쳐 유형에 다른 색상을 지정하는 것에 주의해야 합니다.

그레이스케일-색상 변환은 보다 일반적으로 사용되는 의사 색상 향상 방법입니다. 색상 밀도 분할보다 넓은 색상 범위 내에서 이미지 향상을 쉽게 수행할 수 있습니다. 일반적인 그레이스케일-색상 변환 전송 함수 세트가 그림 4-3 에 나와 있습니다. L 을 이미지 밴드의 최대 그레이스케일로 설정: (a) 그래프는 빨간색 변환의 전달 함수를 나타내며 L/2 보다 작은 모든 그레이스케일이 가능한 한 어두운 빨간색으로 변환되는 반면 (L/2, 3L/4) 범위 내의 그레이스케일은 어두운 빨간색 선형에서 밝은 빨간색, (3L/4 마찬가지로 그림 (B) 과 그림 (C) 은 각각 녹색과 파란색 변환의 전달 함수를 나타냅니다. 그림 (D) 은 세 가지 색상 전달 함수의 조합을 보여 줍니다. 그림 (D) 에서 왼쪽 그레이스케일에 속하는 이미지 픽셀은 순수한 파란색, 오른쪽은 순수한 빨간색, 중간점은 순수한 녹색, 나머지 픽셀은 세 가지 색상의 의사 색상입니다. 이 조합 체계를 사용하여 의사 색상 향상을 수행하는 것이 분명합니다. 이미지의 두 그레이스케일이 같은 색상을 가지는 것은 아닙니다.

그림 4-3 그레이 스케일-색상 변환 전송 함수

(a), (b) 및 (c) 그레이스케일을 빨강, 녹색, 파랑으로 변환합니다. (d) 통합 전달 함수

멀티밴드 이미지의 정보를 더 잘 활용하고, 이미지에 대한 이해를 높이고, 색상 합성을 활용하여 정보를 향상시킬 수 있습니다. 기본 원리는 위에서 설명한 단일 밴드 의사 색상 향상과 유사합니다. 단, 빨간색, 초록색 및 파란색 변환은 동일한 밴드의 서로 다른 그레이스케일에서 수행되지 않고 각각 세 개 (또는 두 개) 밴드에서 수행됩니다. 즉, 세 개 (또는 두 개) 밴드의 CCT 값은 설정된 밴드 그레이스케일과 색상의 변환 관계 테이블에 따라 이미지 처리 시스템에서 색상 디스플레이 장치의 빨간색, 초록색, 녹색을 직접 제어합니다. 또는 세 가지 색상의 컬러 필름을 순차적으로 스캔하여 컬러 사진으로 인쇄할 수 있습니다.

(3) 주성분 분석

주성분 분석은 원격감각암성 정보 추출에서 가장 많이 사용되는 방법이다. 이미지 데이터의 분산 (공분산 행렬 또는 관련 행렬) 을 계산하여 피쳐 값과 피쳐 벡터를 얻은 다음 원격 감지 이미지로 다시 변환하여 이미지 정보 농축 및 데이터 압축 효과를 얻습니다. 대상 바위와 배경 오브젝트 간의 차이를 사용하여 전체 이미지를 처리하고 필요한 대상 정보를 얻습니다. 주성분 분석 (PCA) 은 다중 대역 원격 감지 이미지 정보를 추출하고 향상시키는 가장 일반적인 방법 중 하나로, 일반적으로 K-L(kahunen-loeve) 변환과 주성분 변환이라고 합니다. 원격 감지를 위한 주성분 분석 주로 이미지 인코딩 및 이미지 데이터 압축, 이미지 정보 추출 및 향상, 이미지 변경 모니터링 및 이미지 데이터의 잠재적 다중 시간 차원 조사에 사용됩니다. 수학적으로는 이미지 통계 특징을 기반으로 하는 다차원 직교 선형 변환입니다. 기하학적으로 말하자면, 그것은 이미지의 공간 회전 변환에 해당하며, 변환된 주성분은 직각이며 서로 관련이 없다. 실제로 그림 스펙트럼 반사 강도, 즉 주성분 거리를 기준으로 하는 방법이기도 합니다. 간단히 말해서, 주성분 분석은 3 단계로 나뉩니다. 1 입력 이미지 데이터의 분산-공분산 행렬 및 관련 행렬을 계산합니다. ② 행렬의 고유치와 고유 벡터를 계산한다. ③ 주성분 계산.

사용된 행렬이 분산 공분산 행렬인 경우 주성분 분석을 비표준 주성분 분석이라고 합니다. 사용 중인 행렬이 관련 행렬인 경우 표준 주성분 분석으로 주성분 분석이라고 합니다. 싱거와 해리슨은 1985 년 인도 북부와 동부의 랜더스 MSS 데이터를 연구했다. 그 결과 표준 주성분 분석이 신호 대 잡음비를 높이고 이미지 정보를 향상시킨 것으로 나타났습니다. Ek-lundh 와 Singh 는 Landsat TM 의 주성분 분석을 실시했습니다. 현물 등 네 가지 데이터는 1993 에 있습니다. 분석 결과에 따르면 표준 주성분 분석은 비표준 주성분 분석에 비해 이미지의 신호 대 잡음비를 높였습니다.

주성분 분석을 선택하는 것은 Crosta A.P 등이 1989 에서 제기한 것으로, 지질 밴드를 선택하여 주성분 분석을 하는 것이다. 1990 에서 Loughlin W.P 는 Landsat TM 데이터를 1, 3,4,5 와 1, 4 의 두 그룹으로 나눕니다 그 본질은 주성분 변환을 통해 TM5 와 TM 1, TM5 와 TM4 의 스펙트럼 대비를 확장하여 산화철 정보를 추출하고 TM5 와 TM7 의 스펙트럼 대비를 확장하여 수산기 광물을 함유한 스펙트럼 정보를 추출하는 것이다.

2. 스펙트럼 특징 반사율의 변화에 ​​따른 정보 추출 방법

연산 향상은 더하기, 빼기, 곱하기, 나누기 및 혼합 연산을 사용하여 다중 밴드 이미지에 대한 이미지 정보 추출 및 대비 향상을 수행하는 방법입니다. 존 맥엄. Moore 등 (1993) 은 밴드 간 덧셈을 통해 TM 영상 데이터에서 석고, 점토, 열액 변경 실리콘의 선택성을 높여 좋은 효과를 거두었다. 실제로 이미지 향상에서 가장 일반적인 작업은 비율 작업이라고 하는 나누기 연산입니다. 비율 연산은 서로 다른 그림의 서로 다른 밴드 이미지 데이터에서 서로 다른 스펙트럼 반사 특성을 사용하여 밴드 간 나누기, 그림 정보 추출, 이미지 대비 향상 등을 수행합니다. 나눗셈의 분자와 분모에 따라 비율 연산은 단순 비율, 조합 비율 및 표준화 비율로 간단히 나눌 수 있습니다.

단순 비율은 간단하고 조작하기 쉬우므로 대비 향상 효과가 현저합니다. 일반적으로 사용되는 원격 감지 데이터 소스의 TM 이미지 데이터에 대한 밴드 간 비율을 충분히 연구하고 이를 사용하여 이미지 식물 정보, 암석 변경 정보 등을 향상시키고 추출합니다. 표 4- 1 은 TM 데이터 밴드 간의 몇 가지 주요 단순 비율을 보여줍니다.

표 4-4- 1 TM 데이터 밴드 간의 몇 가지 주요 단순 비율

(동경희 등에서 개편 (1994))

비율 향상은 이미지 향상에 사용될 때 기본적으로 사용됩니다. ① 서로 다른 그림 사이의 작은 그레이스케일 차이를 확대하여 암석, 토양 등과 같이 스펙트럼 차이가 크지 않은 그림을 구분하는 데 도움이 됩니다. 식물 유형 및 분포 연구에도 사용할 수 있습니다. 지형과 같은 환경 요인의 영향을 제거하거나 약화시킬 수 있습니다. ② 광화와 밀접한 관련이 있는 암석 정보와 변경 정보를 추출하는 데 사용할 수 있다. ③ 색상 합성은 그림의 정보 표현을 향상시키는 데 사용될 수 있으며, 대상 정보, 즉 대기 산란 보정의 비율 이미지는 조명, 태양 입사각, 분산과는 무관합니다. 단점은 이미지의 독립적인 스펙트럼 의미가 존재하지 않고 그림의 전체 반사 강도 (반사도) 정보가 손실되고 이미지의 지형 정보가 손실된다는 것입니다. 연습은 흑백 비율 이미지에서 광물 정보를 식별하는 것이 상당히 어렵다는 것을 증명했다. 광물 정보를 추출할 수 있는 비율 이미지 세 개를 선택하면 색도학 원리에 따라 빨강, 녹색, 파랑의 세 가지 색상 조합을 사용하여 광물 정보와 주변암이 이미지에 다른 색상으로 나타나도록 할 수 있습니다. 시각적인 방법으로 이미지에서 광물 정보를 직접 식별하고 위치를 결정할 수 있습니다. 따라서 비율 색상 합성법이 광물 정보 추출의 기본 방법이라고 볼 수 있다.

3. 기타

(1) 직접 주성분 분석

Frazer S.J 와 Green A.A 는 1987 에서 직접 주성분 분석을 제시했다. 두 개의 비율 이미지 (하나는 식물 이미지 TM4/TM3, 다른 하나는 TM5/TM7 및 TM5/TMI 와 같은 변경 이미지) 의 주성분 변환을 통해 변경 정보를 향상시키고 식물의 스펙트럼 간섭을 억제할 수 있습니다. 조 등 (199 1) 은 열액 변경 정보, Frazer S.J.( 199 1) 를 비슷한 방법으로 추출한다 장만랑 (1996) 은 이런 직접적인 주성분 분석을 개선했다. TM7, TM 1, TM4, TM3 을 입력하여 TM 1 의 비율, (TM4/TM3) 주성분 분석, 생성된 PC2 는 철산화물의 스펙트럼 정보를 향상시키고 식물의 스펙트럼 간섭을 억제합니다. TM5, TM7, TM4, TM3 비율 (TM5/TM7, TM4/TM3) 로 입력된 주성분 분석에 의해 생성된 PC2 는 수산기 광물을 함유한 스펙트럼 정보를 향상시킵니다. 스리칸터와 무어. J. 곽 (1994) 은 공간 TM 데이터의 대수 잔차 이미지에 대한 주성분 분석을 수행하여 이미지의 지형 특징의 스펙트럼 차이를 개선하고, 직접 주성분 분석을 이용하여 스페인 남서부의 이미지 하위 영역을 분석하여 철광물의 스펙트럼 대비를 개선하는 데 성공했다.

(2) 비율 방법-특성 주성분 분석

이 방법은 비율 처리 및 피쳐 주성분 분석에 기반합니다. 비율법에 의한 변경 정보의 증가는 대부분 지역 자연 조건의 제한과 간섭 배제의 스펙트럼 배제 법칙 (식물, 대기, 지의류 등) 에 의해 제한된다. ) 다양한 그림에 대한 스펙트럼 데이터를 수집해야 하며 객관적으로 제한됩니다. 유지걸 (1995) 이 비율-특징 주성분 혼합분석법을 제시했는데 결과는 다음과 같다.

1) 철 광물 스펙트럼 정보 이미지 (F 이미지라고 함) 측정

먼저 TM 1, 3, 4, 5 를 그룹으로 철 함유 광물의 이미지를 찾습니다. 동일한 F 이미지에서 수산기 광물을 함유한 정보는 가려지고, 주성분 변형은 발생하며, 변환된 PCA 이미지는 가능한 질적 분석을 통해 F 이미지를 결정합니다. 이 FPCA 이미지는 TM3 과 TM 1 중 하나에 반대 기여 태그가 있거나 TM3 과 TM4 에 반대 기여 태그가 있거나 TM5 와 TM4 에 반대 기여 태그가 있어야 합니다. TM3 또는 TM5 중 적어도 하나는 강한 부하입니다.

2) 수산기 광물 스펙트럼 정보 이미지 (H 이미지라고 함) 의 결정.

F 이미지의 결정 방법과 유사하게 H 이미지를 추출하는 변형 과정을 수행합니다. 차이점은 원래 밴드 조합을 선택할 때 두 가지 비율 이미지 (TM 1, 4,5,7 대신 (TM5/TM7) 와 (TM4/TM3) 가 사용된다는 것입니다. 그 이유는 다음과 같습니다. 첫째, 후자의 이미지 변환 후 결정된 PC4 는 H 이미지의 요구 사항을 충족하기 위해 사전 처리가 필요합니다. 둘째, 최종 합성 처리는 효과가 없다. 원본 f 및 h 이미지의 밝기 지수는 매우 낮습니다. 좋은 시각 효과를 내고 F 이미지를 더 자세히 해석하기 위해 H 이미지의 히스토그램을 균형있게 조정하고 향상된 TM7 이미지를 빨강, 파랑, 가색으로 결합합니다.

(3)IHS 변환 (강도-색조-채도 변환)

색도학에서 색상은 빨강 (R), 녹색 (G), 파랑 (B) 삼원색 값으로 표현되거나 눈으로 인식하는 색도 변수 (밝기 (I), 색조 (H), 채도 (S) 로 표현될 수 있습니다. 위의 두 변수는 색도학에서 두 가지 색상 좌표계를 구성합니다. RGB 색상 공간과 IHS 색도 공간 (멘젤이라고도 함) 의 두 시스템 간의 관계는 그림 4-4 에 나와 있습니다. 이 그림에서 I 축은 종이 (S=0, 흰색 통과) 에 수직이며 I 축을 따라 밝기만 다릅니다. 원은 h 의 변화를 나타내고 빨간색은 H = 0； 으로 설정됩니다. 방사형은 채도를 나타내고, 중심은 S=0 의 흰색이고, 원주는 S= 1 의 흰색이며, 가장 순수한 색상입니다. RGB 색상 공간 좌표계와 IHS 색상 공간 좌표계 사이에는 일정한 관계가 있으며 둘 사이의 변환 관계를 결정하는 색상 변환의 수학적 모델을 IHS 변환 또는 색상 좌표 변환 (Munsell 변환) 이라고 합니다. 전통적으로 RGB 공간에서 IHS 공간으로의 변환을 양수 변환이라고 하며, IHS 공간에서 RGB 공간으로의 변환을 역변환이라고 합니다.

그림 RGB 색상 공간과 IHS 색도 공간 사이의 관계

IHS 색상 변환은 유연하고 실용적인 장점을 가지고 있어 최근 몇 년 동안 국내외 연구자들의 중시를 받아 많은 IHS 변환 공식이 생겨났다. 현재 원격 감지 이미지 처리에서 IHS 변환은 주로 다음 세 가지 측면에 사용됩니다.

1) 컬러 합성 이미지의 채도 향상.

2) 다른 해상도의 원격 감지 이미지의 합성 디스플레이. 예를 들어, IHS 변환을 통해 Landsat MSS 와 디지털 항공 사진을 결합하면 스펙트럼 (녹색에서 근적외선) 및 공간 속성 (10m) 이 있는 SPOT 와 같은 컬러 이미지를 생성할 수 있습니다.

3) 다중 소스 데이터의 포괄적 인 디스플레이. 그림, 지구 화학 탐사 등의 지질 정보를 디지털화하여 H 또는 S 색도 변수로, 원격 감지 이미지를 I 로, IHS 정방형으로 변환하여 컬러 원격 감지와 그림, 지구 화학 탐사 등의 지질 정보를 합성한 이미지를 얻을 수 있습니다. 이러한 영상은 일반적으로 원격 감지 영상이 또렷한 지형과 지질 배경을 가지고 있으며, 이 배경에 물화 탐사 등 지질 정보를 정확하게 반영하므로, 양자의 관계를 종합적으로 분석하고 해석하는 데 매우 유리하다.

(4) 관련 스트레칭 변환을 제거합니다.

비관계형 늘이기 변환은 주성분 변환에 기반한 기술입니다. 여기에는 세 가지 분명한 단계가 포함되어 있습니다. 1 원본 이미지 밴드를 주 구성요소로 변환합니다. ② 인장 변환 후 주성분 비교. (3) 역주성분 변환을 수행하여 원래 색상 공간에 표시합니다. N.A. 캠벨 (1996) 은 이 세 단계에 대해 상세한 연구를 진행했다. 그는 관련 스트레칭 변환이 본질적으로 주성분 변환과는 다른 또 다른 스펙트럼 선형 변환이라고 생각한다. 2 단계 비교 스트레칭 정규화 분산 후 단위 분산의 비관계형 변수를 얻습니다. 이미지 표시 향상 방법의 효과는 주로 해당 방법으로 생성된 특수 대비에 따라 달라집니다. 그는 미국 하와이 주의 열적외선 멀티스펙트럼 스캐너 (TIMS) 를 연구한 결과, 제 1 주성분을 정의하는 피쳐 벡터의 작은 전환은 관련 인장 계수의 작은 변화만을 초래할 뿐, 눈에 띄게 다른 스트레칭 이미지를 만들어 냈다. TM 데이터의 가시광선, 근적외선, 단파 적외선 6 개 밴드에 대한 관련 스트레칭 분석에 따르면 관련 스트레칭의 결과는 다소 왜곡되어 있습니다. 즉, 일부 이미지는 관련 스트레칭 계수의 미세한 변화에 민감하고 일부는 민감하지 않습니다. 구체적인 계산 분석은 원문에 나와 있다.

결론적으로, 관련 스트레칭 변환은 원래 스펙트럼에 대한 선형 변환이며, 일반적으로 원래 스펙트럼의 가중치 및 차이이다. 연구에 따르면 이 방법은 일부 원격 감지 영상 데이터에 효과적이며 좋은 영상 효과를 만들어 새로운 진입점을 제공한다. 다른 이미지 데이터 처리 효과는 주성분 변환에 비해 좋지 않습니다. 주성분 변환 및 일반적인 분석 변환의 이미지 표시처럼 실제 관련 스트레칭 벡터는 거의 해석되지 않으므로 스펙트럼에서 결과 이미지를 이해할 수 없습니다.