穗帽变换是指根据经验确定的变换矩阵将图像投影综合变换到三维空间，其立体形态形似带缨穗的帽子，变换后能看到穗帽的最大剖面，充分反映植物生长枯萎程度、土地信息变化，大气散射物理影响和其它景物变化程度的一种线性特征变换的图像处理方法。
穗帽变换（又称KT变换）是一种特殊的主成分分析，和主成分分析不同的是其转换系数是固定的，因此它独立于单个图像，不同图像产生的土壤亮度和绿度可以互相比较。随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱，当植物成熟和逐渐凋落时，其在绿度图像特征减少，在黄度上的信息增强。这种解释可以应用于不同区域上的不同植被和作物，但穗帽变换无法包含一些不是绿色的植被和不同的土壤类型的信息。
总体上穗帽变换能够较好的分离土壤和植被。他的一个缺点是她依赖于传感器（主要是波段），因此其转换系数对每种遥感器是不同的。
主成分分析的相关系数是原数据波段间协方差或相关系数的函数。这个特征使得主成分分析可以根据实际的图像产生从数据压缩角度看来最好的转换，但却使得从不同图像得到的主成分难以进行互相比较。通常可以按照实际图像上的物理特征对主成分图像进行解译，但这种解译对每幅图像都是不同的。显然研究一种基于图像物理特征上的固定转换，对于数据分析是非常有用的。这种固定转换最早由Kauth和Thomas(1976)提出。他们在用MSS研究农作物生长时注意到MSS图像DN值的散点图表现出一定连续性，比如一个三角形的分布存在于第二和第四波段之间。随着作物生长这个分布显示出一个似“穗帽”的形状和一个后来被称作“土壤面”的底部。随着作物生长农作物像元值移到穗帽区，当作物成熟及凋落时，像元值回到土壤面。他们用一种线性变换将四个波段的MSS转换产生4个新轴，分别定义为一个由非植被特性决定的“土壤亮度指数”(soil brightness)；一个与土壤亮度轴相垂直的、由植被特性决定的“绿度指数”(greenness)；以及“黄度指数”(yellow stuff)和“噪声”(nonsuch)，后者往往指示大气条件。这种转换就是“穗帽变换”(Tctasseledcap trasform)。
穗帽变换(又称K—T变换)是一种特殊的主成分分析，和主成分分析不同的是其转换系数是固定的，因此它独立于单个图像，不同图像产生的土壤亮度和绿度可以互相比较。随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱，当植被成熟和逐渐凋落时，其在绿色度图像特征减少，在黄度上的信息增强。这种解释可以应用于不同区域上的不同植被和作物，但穗帽变换无法包含一些不是绿色的植被和不同的土壤类型的信息。
总体上，我们可以说穗帽变换能较好地分离土壤和植被。穗帽变换的一个缺点是它依赖于遥感器(主要是波段)，因此其转换系数对每种遥感器是不同的。
由于原始影像各个波段之间往往存在较强的相关性，如果不加选择地利用这些波段进行分类，不但增加多余的运算，有时反而会影响分类的准确性。因此，对原始影像卵个波段进行变换提取特征波段参与分类是提高分类精度的一种有效手段。光谱波段特征变换的方法包括主成分变换、植被指数变换等。本研究使用穗帽变换(K-T变换)获取新的特征变量(即亮度、绿度和湿度变量)，从而开展研究区地物的分类以及水稻种植面积的提取。穗帽变换具有以下优点：
①减少数据维数和数据量；
②对于某一固定传感器的任何数据，变换矩阵系数无需重新定义，也无需调整即可直接使用；
③穗帽变换后得到的特征变量直接对应重要的物理参数。
遥感影像分类特征变量的确定
利用穗帽变换矩阵系数可以将南原始六个TM影像波段(去除热红外TM6波段)构成的六维光谱空间转为具有物理意义的亮度、绿度和湿度特征空间。穗帽变换的实质是对原始TM影像光谱空间坐标轴进行旋转，使亮度、绿度和湿度特征轴分别平行于南亮度、绿度和湿度这三个物理参数变化引起的像元点在光谱空间的位移方向，同时穿过这些点构成的点群。
基于穗帽变换的水稻面积遥感估算结果
监督分类的主要方法有最大似然法(Maximum Likelihood Classifier，MLC)、最小距离法(Nearest—Mean Classifier)、平行六面体法、马氏距离法、光谱角和神经网络方法。其中最大似然法是传统单像元分类的基本方法，它考虑各类别的协方差矩阵，如果在有足够多的训练样本及类别分布的先验概率，且数据接近正态分布的条件下，分类精度高。但是因为本研究区比较小，所能够选取的样本数量较少，特别是一些较小类地物，基本满足不了最大似然法数据服从正态分布和具有较大数据量样本的条件。所以，本研究选用最小距离法进行分类。
最小距离法是一种常见的监督分类方法，它首先利用训练样本数据计算出每一类的均值向量及标准差向量，然后以均值向量作为该类在特征空间中的中心位置．计算输入图像中每个像元到各类中心的距离，到哪类距离最小，则将该像元归到哪一类。这种方法是以距离为判别准则。最小距离法具有简单、快速的特点，并且对数据概率分布没有要求，对训练样本数目要求低，不需要类别先验概率，其缺点是没有考虑各类别的协方差矩阵，因此其分类精度受到一定限制。
温馨提示：
