第四篇遥感图像特征提取.ppt

遥感图像处理 赵泉华 本章主要内容 基本概念：图像特征、特征表示与描述、特征提取、特征选择。 纹理特征提取:直方图统计特征；图像的自相关函数；灰度分布统计特征；傅里叶特征； 颜色特征提取 图像特征定义：图像的原始特征或属性。 人眼能感觉到的自然特征：亮度、边缘的轮廓、纹理或色彩。 需要变换和测量得到的人为特征：变换频谱、直方图、矩。 特征表示与描述的定义： 把图像分割后，为了进一步的处理，分割后的图像一般要进行形式化的表达和描述 解决形式化表达问题一般有两种选择： 1）根据区域的外部特征来进行形式化表示 2）根据区域的内部特征（比较区域内部的象素值）来进行形式化表示 选择表达方式，要本着使数据变得更有利于下一步的计算工作。下一步工作是基于所选的表达方式描述这个区域，一般情况下： 1）如果关注的焦点是形状特性，选择外部表示方式 2）如果关注的焦点是反射率特性，如颜色、纹理时，选择内部表示方式 3）所选表示方式，应该对尺寸、变换、旋转等变量尽可能的不敏感 良好的特征应具有的特点： 可区分性：对于属于不同类别的图像，他们的特征应该具有明显的差异性。 可靠性：对于同类的图像，它们的特征值应比较相近。 独立性：所使用的各特征之间应彼此无关。 数量少：图像识别的复杂度随着特征的个数迅速增长。 “特征维数灾难” 特征选择 :从原始特征中挑选出一些最有代表性，分类性能最好的特征。 穷举法 最大最小类对距离法 特征选择特点：不改变原始特征值的物理意义，因此不会影响分类器设计者对所用特征的认识，有利于分类器设计，便于对分类结果的进一步分析. 特征提取：从减少特征之间的相关性和浓缩信息量的角度出发，根据原始数据的统计特性，用尽可能少的新特征来最大限度的包含所有原始数据的统计特征。 纹理：物体表面颜色或灰度的某种变化，这些变化与物体本身的属性相关。如木材的纹理、沙漠和森林图象的纹理。 纹理的分析方法 统计分析方法：从图像有关的属性的统计出发，比较适用于纹理细且 不规则的物体。 结构分析方法：力求找到纹理基元，从结构上描述纹理基元，或描述纹理的构成规律，比较适用于纹理基元排列比较规则的图象。 纹理特征要素组成： 纹理基元：是一种或多种图像基元的组合。 纹理基元的排列组合：基元排列的疏密、周期性、方向性。 纹理特征提取：通过一定的图像处理技术，抽取出纹理特征，从而获得纹理的定性或定量的描述。 检测出纹理基元 检测纹理基元的排列方式 第二节：纹理特征提取 直方图统计特征 灰度直方图； 边缘方向的直方图； 图像的自相关函数 灰度分布统计特征 灰度共生矩阵； 灰度、梯度共生矩阵 直方图统计特征 灰度直方图 1）选择合适的邻域大小 2）对每一个像素，计算出邻域中的灰度直方图 3）比较求出的直方图与已知的各种纹理基元或含有纹理基元的邻域的直方图间的相似性，若相似，则说明图像中可能存在已知的纹理基元。 4）比较不同像素所对应的直方图的相似性，从中可以发现纹理基元排列的周期性、疏密性等特征。 第二节：纹理特征提取 衡量直方图相似的常见度量 直方图的均值 第二节：纹理特征提取 第二节：纹理特征提取 注意 灰度级的直方图特征并不能建立特征与纹理基元的一一对应关系。 直方图统计特征 边缘方向直方图-采用灰度梯度方向矩阵 图像的自相关函数 图像的自相关函数 第二节：纹理特征提取 灰度分布统计特征 灰度共生矩阵 是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。 共生矩阵表示 灰度分布统计特征-灰度共生矩阵 灰度分布统计特征-灰度共生矩阵 灰度共生矩阵特点 矩阵大小： L×L L为灰度级 在实际应用中为了减少运算量，可先减少灰度级数，再计算共生矩阵。 归一化 灰度共生矩阵特点 对称性（只限以上提到的四个方向） 主对角线元素的作用 沿着纹理方向的灰度共生矩阵主对角线上的元素较大，在垂直纹理方向上的共生矩阵主对角线的元素可以判断纹理的粗细。 元素值的离散性 离开主对角线上的元素的归一化值高，离散性大，也就是说一定位置关系的两象素间灰度差大的比例高，说明垂直于该方向的纹理较细。 由灰度共生矩阵派生出的纹理特征参数 二阶矩 对比度 图像的对比度越高，越清晰 由灰度共生矩阵派生出的纹理特征参数 相关 由灰度共生矩阵派生出的纹理特征参数 熵 熵是图像所具