Análisis de componentes principales con coeficiente de correlación de muestra de orden óptimo para la mejora de imágenes

El análisis de componentes principales (PCA) se ha utilizado comúnmente y ha jugado un papel importante en la teledetección para la extracción de información. Sin embargo, el PCA ordinario basado en la covarianza o correlación de segundo orden es capaz de formar componentes sobre la base de las propiedades estadísticas de la mayoría de los valores de píxeles: valores de píxeles alrededor de valores medios. Para muchas aplicaciones, los componentes principales deben construirse sobre la base de coeficientes de correlación óptimos para que los componentes puedan representar valores bajos o altos de píxeles minoritarios de interés. Se ha propuesto una nueva versión del PCA basada en un coeficiente de correlación de muestra de orden óptimo para mejorar la contribución de las bandas de la imagen, incluidos los valores de píxeles minoritarios bajos o altos que pueden ayudar en la extracción de información débil para la clasificación de imágenes y el reconocimiento de patrones. El PCA ordinario se convierte en el caso especial de la nueva versión del PCA introducida en este documento. El nuevo método fue validado con un estudio de caso de identificación de zonas de alteración asociadas a Au/Cu a partir de una imagen del Landsat Thematic Mapper (TM) en el distrito de Mitchell‐Sulphurets, Canadá.