纹理分析在遥感图像识别中的应用.ppt

遥感图像的纹理分析 二、计算灰度共生矩阵并提取二次统计特征量 在这个过程中要做的工作有：选取窗口、选取特征值、计算灰度共生矩阵和特征值 以5×5的窗口为识别的基本单位，取d =1，并从 四个方向分别计算中心像元的灰度共生矩阵,及其统计特征参数（能量、熵、对比度、相关性和逆差矩），再由这五个特征值组成一个特征向量F,为了抑制方向分量，使得到的纹理特征与方向无关，需要将每一特征在四个不同方向的值取平均值和均方差 三、图像识别 图像识别可以用监督分类，也可以使用非监督分类。以监督分类为例，主要有两个方面的内容：选择训练样区、基于某一具体检验法的相似性计算。过程如下： 个人认识 随着遥感技术的发展，遥感的应用越来越广泛，与此同时，随着对遥感技术需求的增加和要求的提高，我们还要不断提高遥感技术。 纹理分析是一种重要的遥感图像识别方法。对遥感图像的纹理特征进行分析，能较大幅度提高影像识别的效果，是一条切实可行和十分有效的途径。 从遥感图像中自动获取空间信息的研究是一条充满了困难和挑战的道路，只有付出长期坚持不懈的努力，充分运用各个学科的成果，才能实现遥感图像信息的真正自动化、智能化处理。 中国石油大学（华东）硕士开题 纹理分析在遥感图像识别中的应用 纹理分析在遥感图像识别中的应用 国内外研究现状 遥感图像分析与识别 遥感图像纹理分析 原理 遥感图像识别技术 遥感图像纹理分析 个人认识 * 遥感图像分析与识别的发展及现状 从20世纪70年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究 20世纪80年代，主要利用统计模式识别方法进行遥感图像计算机解译：如 Strahler（1980）使用最大似然法对遥感图像数据进行分类，Goldberg（1983）运用光谱特征，对多波段卫星图像进行分类，从中获取森林资源信息。 20世纪80年代后期，D.Gooddnough与M.Ehlers有助于推动地理信息系统与遥感图像自动解译系统的结合；王野乔等应用该方法进行区域气候资源研究工作，实现了区域气候资源分类界限指标遥感解译的定量化 * 遥感图像纹理分析的发展及现状 纹理分析的早期研究主要集中在纹理信息的表达与描述和纹理图像的分割，研究遍及神经生理学、心理物理学、心理学、影像分析、医学诊断等各个方面，成为图像分析和计算机视觉中的基本技术之一，形成了现有纹理分析方法的理论基础，主要包括：Julesz的二阶统计假设；Beck等的多频率通道假设；Prazdny，Rosenfeld等的二阶段假设；Muller的纹理边界敏感性假设等 近年来纹理分析在不同的图像处理中得到了广泛的应用，如图像分割、模式识别、形状分析、纹理合成和图像压缩等。常用的纹理模型很多，如Garcia等人研究了布尔模型在灰度图像纹理分析中的应用；Tamura等研究了对应于人眼视觉感受的纹理特征；Hayes等人对纹理粗糙度进行了进一步的实验分析。 * 遥感图像纹理分析的发展及现状 目前国外主要是对几种纹理分析方法提取的纹理特征结合常规的分类方法，对不同的图像进行分类比较。Rajesh，Jawahar等认为分形的效果最好，其次是共生矩阵及纹理频谱； Weszka、Ohanian、Nyoungui等认为灰度共生矩阵的效果最好； Phichler等认为小波变换效果好 国内的研究主要在于某一种方法的具体应用。对于统计的方法，共生矩阵法比较常用，主要有黄桂兰的航片影像纹理分类方法的探讨等；基于模型的方法里，分形维方法应用比较多；马尔可夫随机场(MRF)的应用也有一些；在数学变换的方法里，常见的是基于小波变换的方法。 纹理分析正在受到越来越多的科研工作者的关注。国际上有一些纹理的专著出版，而我国纹理分析方面的文献和专著非常少。 * 遥感图像识别技术的原理 图像识别是用计算机代替人们自动地去处理大量的物理信息，解决人类生理器官所不能识别的问题，从而部分替代了人的脑力劳动。 在对图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些部分成为目标或前景（其它部分成为背景），它们一般对应图像中特定的，具有独特性质的区域。为了辨识和分析图像中的目标，需要将他们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量和对图像进行利用 * 遥感图像纹理分析 纹理是在某一确定的图像区域中，以近乎周期性的种类和方式重复其自身的局部基本模式。它反映了图像灰度的性质及其空间关系，是图像中一个重要而又难以描述的特性。 正是由于纹理对图像区域和表面的感知、描述的独特作用，以及纹理分析在自动识别中越来越明显的重要性，驱使着人们不断地寻找新的算法来表征图像区域中的纹理。虽然这些努力也遭受到了一些诸如缺少对纹理确切的定义等的影响，但仍然