遥感图像特征教案分析.pptVIP

* 轮廓 Contour边界 Boundary (它们是对应物体的) 1963：L. G. Roberts最早开始系统研究边缘检测 边缘在边界检测、图像分割、模式识别、机器视觉等中有很重要的作用。 边缘是边界检测的重要基础，也是外形检测的基础。边缘广泛存在于物体与背景之间、物体与物体之间,基元与基元之间，因此它也是图像分割所依赖的重要特征。 * 上面两个图 边缘 下面两个图 导数 一阶导数极大 二阶导数过零 * Sector : 角度扇区 * 对信号进行小波分解的有效途径是利用多尺度分析(MRA)的Mallat算法。 多尺度分析是Mallat于1989年提出的,其基本思想是利用噪声和真正边缘在多个尺度的表现不同,来确定真正的边缘。前面介绍的Canny边缘检测算法就是多尺度边缘检测的一种。 * 纹理：反映的是亮度（灰度）的空间变化情况。用Goold等人给出的定义是：纹理是由大量或多或少有序的相似基元或模式组成的一种结构。我们一般在生活中所说的粗糙、光滑、崎岖不平，都是属于描述纹理的范畴。而我们要在图像上表示纹理，则是通过图像上不同的灰度值（亮度值）形成的。 * 统计纹理计算方法请举例？？ * 灰度共生矩阵(Gray level Co-occurrence Matrix)由Haralick在1973年发表的论文Textural Features for Image Classification中提出的。 是对图像所有像元进行统计调查，用以描述其灰度分布的一种方法。 * 利用方差得到的结果 * 将规格化的边界矩代入如下七个函数公式，可以得到具有 * 孙即祥《模式识别中的特征提取与计算机视觉不变量》 If the possible ship area has much irregular shape (for example, zigzag shape), it should be kicked out. We should find one relatively robust index which can identify irregularity and has the position, size and rotation invariant properties. After many experiments, we choose the third values of the 7 Hu moment invariants [11] as SR. * 如果有迁移和旋转，那么在参数空间中取一个最小的数值，作为转折函数匹配的结果 基于分形分维的人工纹理图像分割结果 信号处理方法 Gabor方法 小波变换 3.1 GABOR 滤波提取图象纹理 定义方式 其中， 是尺度参数， 为方向参数， 为方差，取为 它是一个滤波器组，在0，45，90，135度时不同尺度下的滤波器形状如下图： u=0,v=4 u=1,v=4 u=2,v=4 u=0,v=6 u=1,v=6 u=2,v=6 u=0,v=0 u=1,v=0 u=2,v=0 u=0,v=2 u=1,v=2 u=2,v=2 滤波器形状 Gabor Filter Gabor滤波器分割图像的主要原理：通过构造一个滤波器组来提取图像不同方向和尺度下的特征，达到分割图像的目的。该算法中主要的操作步骤包括滤波器的构造、特征的提取和特征的聚类。 Gabor Filter的一般步骤 滤波器的构造 特征提取 特征平滑 特征聚类 特征提取 用该滤波器组的每一个滤波器g(m, n)分别与原始图像f(m, n)作卷积，得到了特征向量空间，记为r(m, n)。此处，为了避免复杂的卷积运算，引入快速傅立叶变换，在频域中用点乘运算，然后再反变换到空间域中，公式如下： 特征平滑 根据特征的分布情况计算分布方差值： 为该特征向量集的均值 根据求得的方差设计二维高斯函数，得到一个滤波模板，如下式: 其中，u为高斯分布的均值，取为0；在此基础上，作操作g=Y * Y T，得到对称的二维高斯滤波模板g。 用得到的滤波模板g与特征向量r(m, n)作卷积以平滑该特征，而得到最终的特征向量s(m, n)。s(m, n)中尽可能地保留了原始的低频信息。 特征聚类 由于特征选择的方法可以保证同一种纹理的像素点基本分布在特征空间的同一区域，所以用简单的聚类算法如K-Means算法即可以实现像素的标记，从而实现图像的分割。此步骤从略。 Gabor Filter试验结果 Gabor Filter试验结果 4 遥感图象目标形状特征描述 边界矩 目标形状的边界矩的基本原理可以简述为通过目标边界曲线C函数的各阶边界矩和中心化边界矩，通过各阶中心矩的组合形成不变矩函数式，从而表示目标对象的形状特征。 定义方式