遥感图像特征分析.ppt

共生矩阵方法概述在图像上任意取一点A(x,y),以及偏离它的另一点(x+a,y+b),设A点对的灰度值为(f1,f2)。然后再令A点(x,y)在整幅图像上移动，则会得到各个(f1,f2)及偏离点(x+a,y+b)的(f1,f2)值。设灰度值的级数为K，则f1和f2的组合有K的平方种。对于整幅图像，统计出每一种(f1,f2)值的出现次数，然后排列成为一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2)，则称这样的方阵为灰度共生矩阵。0102下图就是一个测试图像，大小为4*4。这个图的灰度级定为四级，为0，1，2，3，所以有16种不同灰度值的组合：假如我们定为偏移方向是0度角，偏移距离为1个像素点，那么我们就可以得到我们的一个GLCM了，如下图：靠右的一排像素没有相邻的像素能用以计算了，实际计算只有前面的像素，如下图可以再进行计算相反的GLCM，这次的偏移方向是相反的，角度为180度，偏移量不变。然后将两次得到的矩阵相加，即可以得到相对对称的矩阵，而不是有偏差的矩阵共生矩阵的参数规律性参数对比度参数描述性统计量参数对比度使用了所要计算的像素点和GLCM中的对角线的距离的平方作为权值来表示。为了描述一个区域中的对比度，必须创造一个权值，当像素灰度值相差越大时，权值越大，相差越小时，权值越小，相同时，权值为0。而GLCM的对角线表示了没有对比度的值，越远离对角线，对比度越大。解释：当i和j相等时，权值为0，表示没有像素之间没有对比度，所以给0值；当i和j相差为1时，就有了小的对比度，给权值为1；当i和j相差为2时，对比度增加为4；权值随i和j的相差值增加而增加。解释：均一性是与对比度相反的。当i和j相等时，权值为1，此时相关系数是最大值——1；当i和j相差为1时，就有了稍小的相关性，给权值为0.5；当i和j相差为2时相关性减少到0.2；权值随i和j的相差值增加而减少。AngularSecondMoment(ASM)能量平均信息量（很多文献里称为熵）（Entropy）GLCM均值（GLCMMean)GLCM方差（GLCMVariance）GLCM相关性（GLCMCorrelation）将四周的8个灰度值与中心灰度值相比较,大于中心灰度值的子块由1表示,反之,则由0表示。然后根据顺时针方向读出8个二进制值,作为该3×3矩形块的特征值。由此作为对此区域纹理的描述。最基本的LBP算子是一个固定大小为3×3的矩形块,此矩形中有一个中心子块和8个邻近子块对应于9个灰度值。LBP算子的作用步骤(见图3)LocalBinaryPattern随后,出现了扩展LBP算子,即使用不同数量的邻近子块以及不同尺寸的矩形块,利用环形的邻近子块和灰度值线性内插可以构造任意邻近子块和半径大小的LBP算子。如图4为两个扩展LBP算子,其尺度表示为(P,R),即在半径为R的圆周上存在P个插值点。模型方法Markov随机场01分形模型02…03分形模型（fractal）分形是对没有特征长度，但具有一定意义下的自相似图形和结构的总称什么是分形几何？通俗一点说就是研究无限复杂但具有一定意义下的自相似图形和结构的几何学。什么是自相似呢？例如高山的表面，您无论怎样放大其局部，它都如此粗糙不平；例如一棵苍天大树与它自身上的树枝及树枝上的枝杈，在形状上没什么大的区别等等分形几何揭示了世界的本质，分形几何是真正描述大自然的几何学用分形模型描述纹理在纹理分析应用中，一般采用分形维数（可直观地理解为不规则几何形状的非整体维数）来描述纹理但是：不同分形极可能会有相同的分形维数而其表现或纹理却是不同的。对于分形表面的模拟也表明，即使分形维数保持不变，也会得到不同的视觉纹理。位置(site)，指地理位置，它反映地物所处的地点与环境。地物与周边的空间关系，如菜地多分布于居民点周围及河流两侧；机场多在大城市郊区平坦地等。它对植物识别尤为重要，如有的植被生长于高地、有的植被只能长于湿地等组合(association)，指某些目标的特殊表现和空间组合关系。即物体间一定的位置关系和排列方式——空间配置和布局。如砖场由砖窑的高烟夕、取土坑、堆砖场等组合而成，军事目标可能有雷达站、军车、军营等1遥感图象光谱特征描述地物光谱特征植被水体叶子的颜色：植物叶子中含有多种色素，在可见光范围内，其反射峰值落在相应的波长范围内。叶子的组织构造叶子的含水量植物覆盖程度黄河水（泥沙含量960mg/L)长江水（92.5mg/L)湖水（47.9mg/L)*2遥感图象边缘特征描述边缘是指周围像素