podstatou je rozšíření příznakového prostoru (vytváření nových pásem s cílem zvýšit odlišení různých objektů) nebo zúžení příznakového prostoru (hledání nových – nejinformativnějších pásem, při čemž nedojde k podstatné ztrátě informace)

vzniká skládáním 3 pásem v odstínech RGB

pro objektivní výběr pásem, které jsou mezi sebou co nejméně korelovány (podávají co nejvíce odlišné informace), slouží Optimum index faktor (OIF)

zobrazení v pravých a nepravých barvách

rotuje osami vícerozměrného prostoru tvořícího multispektrální snímek, a to ve směru maximálního rozptylu dat

redukuje rozměrnost dat (omezení na méně pásem bez podstatné ztráty informace)

proložím PC1 (hlavní komponenta) největším rozptylem dat → ta přímka (osa) mi potom definuje pásmo nového transformovaného obrazu → pak proložím druhou přímku, která bude kolmá na PC1 a bude v místě druhého největšího rozptylu dat (vedlejší komponenta)

PC2 obsahuje sice míň informací než PC1, ale zato nové informace, které v PC1 nejsou

99 % informací je kumulováno v prvních dvou až třech hlavních komponentách

PC1 vždy obsahuje informace o hlavních topografických rysech v obraze

tato metoda nevyžaduje žádnou předchozí znalost zpracovávaného území

rozdíl je v tom, že PCA byla prováděna na náhodném výběru původních dat, tak CCA může být prováděna jenom pro určité části obrazu

je to 2D prostor a analýza je prováděna tam, kde se vytvářejí shluky

nový systém souřadnic definují nová transformovaná pásma → počítá se to tak, aby rozptyl byl co nejmenší a separobilita mezi shluky zase co největší