【大学课件】遥感图像纹理分析.ppt

纹理分析在遥感图像识别中的应用 主要内容 一、纹理的描述和分析方法 二、遥感图像的纹理识别方法 一、纹理的描述和分析方法 遥感图像通常包括光谱信息和空间结构两大特征。 光谱信息反映了地物反射电磁波能量的大小，是图像解译的基本依据。 纹理特征是通过灰度的空间变化及其重复性来反映地物的视觉粗糙度，能充分地反映影像特征,是描述和识别图像的重要依据。 纹理实例 纹理对我们并不陌生，从多光谱卫星图片到细胞组织的图像都可以看到纹理。 日常生活中常见的砖墙、水磨石地、纺织品及一些自然景物都有明显的纹理特征。 它反映了物体表面颜色和灰度的某种变化，而这些变化又与物体本身属性相关。 典型的纹理图像 纹理不仅反映图像的灰度统计信息，而且反映图像的空间分布信息和结构信息 纹理的定义 图像纹理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。 定义一：纹理是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。纹理由基本模式及其规则排列构成。 纹理的定义 定义二：纹理是在某一确定的图像区域中，相邻像素的灰度（或色调、颜色）服从某种统计排列形成的一种空间分布。 这一定义要求通过统计方法实现对纹理的描述。特别适用于那些仅显示出“随机自然性质”的纹理图像。 图像的纹理特征可以用两种基本特征来描述，即组成纹理的基元和基元之间的相互关系； 前者与局部灰度变化规律有关，它有一定的形状和大小；后者则与由前者形成的空间结构相关，基元的排列不同将会使图像的外观产生很大的不同。 确定性纹理：纹理基元按某种确定性的规律组成，比较规则，具有一定的周期性。 随机性纹理：纹理基元按某种统计规律组成的，随机、不规则。 图像纹理可定性地用以下几种描述来表征： （粗的、细的 、平滑的、颗粒状的、随机的、线状的、斑驳杂色的、不规则的或波纹状的）。 粗糙性和方向性是人们区分纹理时所用的两个最主要的特性。 纹理分析的应用 遥感图像分析 在遥感图像中，陆地、水域、小麦田、城市、森林、山脉等也都具有各自特定的纹理。 通过分析遥感图像的纹理特征，可以进行区域识别、森林识别等。 纹理的分析方法 根据抽取纹理特征方法的不同，可以将图像纹理分析大致分为四类： 统计分析法 在不知道纹理基元或尚未检测出基元的情况下对小区域纹理特征的统计分布进行纹理分析，主要描述纹理基元或局部模式随机和空间统计特征，以表示区域的一致性及区域间的相异性。 统计分析法适用于纹理比较细且纹理基元排列不规则的图像纹理（沙地、草坪等自然纹理图像）。 目前采用较多的统计分析法：灰度共生矩阵法、灰度差分法、自相关函数、灰度的空间共生概率等。 该方法在纹理分析中占有主导地位，对纹理的细节性和随机性描述较好。 结构分析法 在已知纹理基元的情况下，根据图像纹理小区域内的特征及其周期性排列的空间几何特征和排列规则进行纹理分析。 应用结构分析法首先要确定基元的形状和属性，然后确定控制这些基元位置的空间关系。 目前采用较多的结构分析法有形态学、拓扑等方法。 结构分析法对纹理的宏观性和结构性描述较好，但适应性远不如统计分析方法。 模型分析法 假定纹理是以某种参数控制的分布模型方式形成的。通过模型参数来定义纹理，通过纹理图像的实现来估计模型参数，以参数作为纹理特征，进行纹理分析。 常用的模型主要有自相关模型、自回归模型、Markov随机场模型、分形模型等。 空间/频率域联合分析法 主要是依据傅立叶频谱峰值所占的能量比例将图像分类。 包括计算峰值处的面积、峰值处的相位、峰值与原点的距离平方等手段。 统计分析法 1、灰度共生矩阵(Gray Level Co- occurrence Matrix, GLCM ) 2、灰度游程长度法（Gray Level Run Length） 1、灰度共生矩阵(Gray Level Co- occurrence Matrix, GLCM ) 灰度共生矩阵又称为灰度空间相关矩阵，是通过研究灰度的空间相关特性来描述纹理的常用方法. 它作为传统的图像纹理分析方法已广泛应用于数字图像处理的许多领域，尤其是利用图像纹理特征值所表征的图像空间结构信息来改善遥感图像的地学目标分类效果。 矩阵基本原理 共生矩阵法(或空间灰度级相关方法)能够反映亮度的分布特性，同时也可以反映具有同样亮度或接近亮度的像素之间的位置分布特性，是一种基于图像灰度联合概率矩阵的方法，是有关图像亮度变化的二阶统计特征。 通过对图像灰度级之间二阶联合条件概率密度函数来表达。 由于灰度共生矩阵与方向有关，单一方向的抽取会造成图像发生旋转时纹理特征发生变化， 最显然的处理方式是在各个方向进行抽取，通常方向以45度为划分单位，依次为:0度, 45度, 90度, 135度四个方向，分别代表东一西、东北一西南、南一北、东南一西北