是探讨图像纹理分割.doc

探讨高分辨遥感图像的纹理分割方法 摘要：图像分割是图像处理与计算机视觉领域中最为基础和重要的问题之一，它是对图像进行视觉分析和模式识别的基本前提，图像分割的效果将直接影响到后续分析、识别和解译等处理。纹理是图像的重要特征，普遍存在于各类图像当中，由于纹理图像自身的复杂性，使得纹理图像的分割显得尤为困难。本文主要对纹理信息提取技术的研究。主要灰度共生矩阵纹理信息提取方法，对灰度共生矩阵各参数对纹理特征的影响进行深入的研究。为了使通过共生矩阵能得到更合理的纹理特征，首先对 10 种纹理特征间的相关性进行分析，从而选出具有代表性的纹理。然后对开窗大小与各纹理特征的间的关系进行分析，从而为计算共生矩阵时的开窗大小选择提供依据。 关键字：纹理特征，灰度共生矩阵，图像分割。 1.研究的意义 图像分割【1-2】是图像分析及视觉系统中的重要环节，是图像处理研究中的一个基本难题。图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。 纹理是图像的一个重要特征。以纹理特性为主导的图像称为纹理图像【3】，纹理图像是图像的重要组成部分，通常运用各种观测系统获得的图像大多是纹理型的，在航空航天遥测领域中，各种航空、卫星遥感图像是对地面宏观大范围的考察，这类图像大多是纹理型的，通过对这些图像的分析【4-11】可获得地质状况、土地利用、植被长势等一系列信息。纹理分析在材料科学的微结构定量分析、海洋学研究及石油勘探中都有广泛的应用，因此基于纹理的图像分割具有重要的理论意义和广阔的应用前景。 直到今天，纹理图像分割是图像分割中的一个经典难题。尽管人们在纹理图像分割方面已取得了大量的研究成果，但由于纹理图像的复杂性和缺乏一个统一的图像分割理论框架，目前尚无提出通用的分割理论，现已提出的算法大都是针对具体问题。纹理分割问题仍然是图像处理和机器视觉领域中一个非常艰巨的和富有挑战的课题。 2.灰度共生矩阵研究现状 Haralick等人【211，提出的空间灰度级依存方法，该方法基于对一个二阶联合条件概率密度函数P(i,j/d,)的估计。概率P(i,j/d, )表示了两个相距的方向角相差的像素的灰度级分别为i和j的可能性。对于一个含有G个灰度级的纹理图像，上述概率可以写成一个GxG的矩阵，该矩阵被称为灰度共生矩阵(Gray LevelCo．ogCulTence Matrix，GLCM)。在灰度级共生矩阵的基础上，可以计算出一组用统计参数来描述纹理特征。文献【55】利用统计和结构特征，设计了一组16个纹理特征，而且定义了纹理同类基元子区域间的距离。 基于灰度共生矩阵提取的特征非常适合于描述微小的纹理，因此被广泛应用于遥感中的地形分类研究，例如：卫星图像中的地表分类和合成孔径雷达图像中的海冰分类；近年来也被用于解决图像检索问题。例如：文献【56】使用灰度共生矩阵对卫星多光谱图像进行处理，分析了美国加利福尼亚海岸带的土地利用情况，对7类土地利用类型进行分类。Haralick曾使用共生矩阵法做过一系列图像识别的实验，在一组遥感影像中，地形分成旧居民区、新居民区、湖泊、湿地、沼泽、城镇、火车码头、灌木或树林等8类，实验获得了82％的识别准确率。 3.基于灰度共生矩阵的纹理特征提取 3．1灰度共生矩阵简介 灰度共生矩阵被公认为当今的一种重要的纹理分析方法，是由R．W．Conners等人在1983年提出63。灰度共生矩阵是一种优于灰度游程长度法和光谱方法的纹理特征的测量技术。1992年，P．P．Ohaniall39研给出了对几种纹理测量技术的比较结果，并且他根据实验结果证明了：在4种用于实现纹理分类的特征中，基于灰度共生矩阵的统计特征要优于分形维数、马尔科夫模型和Gabor滤波器特性。 灰度共生矩阵描述方法是基于在纹理中某一灰度级结构重复出现的情况。这个结构在精细纹理中随着距离而快速地变化，而在粗糙纹理中则变化缓慢。 在图2．1中设oxy为图像像素的坐标平面，灰度坐标为Z轴，X方向像素总数为Nx，Y方向像素总数为NY，为了避免众多灰度级给分析带来的庞大计算量，将图像灰度作归并，其最高灰度级是第Ng级。 可以把图像f理解成为从Lx×Ly到G的一个变换，也就是说对Lx×Ly中的每一个点，对应一个属于G的灰度。 定义方向为口，间隔为的灰度共生矩阵为p(i,j,d,) 表示矩阵第i行j列元素，其中，(i,j)∈G×G，=00，450，900，1350，以Ox轴为起始，逆时针方向计算，对不同的，矩阵元素的定义为： P(I,j,d,00)=Na{(k,l),(m,n)}(Lx×Ly)×(Lx×Ly)|k-m|=0