基于纹理特征的道路图像分类.docVIP

基于纹理特征的道路图像分类 　　摘要:该文提出一种新的道路分类方法,在灰度共生矩阵的基础上得到图像的纹理特征,并通过决策树模型得到道路图像分类的决策树。实验证明,该方法有着较高的准确率,其结果在分类方面有着简单易行的特点。 　　关键词:道路分类;灰度共生矩阵;纹理特征;决策树 　　中图分类号:TP309文献标识码:A文章编号:1009-3044(2009)24-6988-03 　　 　　Road Image Classification Based on Texture Feature 　　ZHAO Nan, WANG Chao 　　(Beijing Normal University College of Information Science and Technology, Beijing 100875,China) 　　Abstract: The article proposed a new algorithm for road classification. Based on gray level co-occurrence matrix, we got the features of an image. Then the decision tree was gained using the Decision Tree Model. Theoretical calculations are found to be consistent, and easy to be used. 　　Key words: road classification; co-occurrence matrix; texture feature; decision tree 　　 　　高空间分辨率图像中的地物提取是遥感图像处理的一个重要应用方向,其中,图像中的道路提取是衔接图像底层信息和图像高层信息的一个重要的层次,其图像的特征提取和分类有着重要的意义。 　　传统道路分类方法是由人机交互来进行确定,有着工作量大,难以得到应用的缺陷。另外,也有研究者使用经过融合后的RGB通道图像来进行分类[1],这种方法有着鲁棒性差,没有普适性的缺陷。 　　为了克服这些不足,本文提出了一种新的道路分类方法。首先得到预处理后的图像的灰度共生矩阵,然后在该矩阵上提取若干图像纹理特征,最后使用决策树模型得到道路分类的决策树并确定对道路分类具有决定性意义的特征。 　　 　　1 数据预处理及灰度共生矩阵 　　 　　在进行分类之前,我们首先要得到道路和非道路这两种图片训练集。我们采用QUICKBIRD卫星的0.6m北京某区的卫星图片,从该高空间分辨率图片中截取若干组道路图片和非道路图片作为训练集。 　　1.1 数据预处理 　　在进行数据分类之前,我们首先要对得到的图像数据进行预处理。由于我们得到的是多通道图像,在进行分类时我们需要使用灰度图像。这是因为灰度图像的结果更具有普适性,其可以再次使用在多通道的图像分类中。在这里我们使用图像处理软件得到训练集的灰度图像。 　　由于灰度共生矩阵主要是针对纹理图像的,需要减弱整体灰度特征对结果的影响,所以我们要对数据图像进行灰度归一化,在保留有价值灰度差异的同时,减小甚至消除图像中灰度不一致。在这里我们使用的是直方图归一化的处理方法。 　　1.2 灰度共生矩阵 　　任何图像都可以看成三维空间中的一个曲面,在三维空间里,相邻某一间隔长度的两个像素,他们可能具有相同或不同的灰度级。若能找出这两个像素的联合分布的统计形式,对于图像的纹理分析将是很有意义的。一般可采用灰度共生矩阵作为基础,对相邻的两个区域是否本属同一个区域的特性进行分析。 　　灰度共生矩阵方法,是建立在估计图像的二阶组合条件概率密度函数基础上的。这个方法已经有了较长的研究历史,也是当前人门公认的一种重要的纹理分析方法 。从像素为 的灰度出发,找到距离为(Dx,Dy)的另一个像素点,其灰度为J,令点在整幅图像上移动,则会得到各种点对(i,j)。设灰度值的级数为L,则i与j的组合共有L2种。在整幅图像中,统计出每一种(i,j)值出现的次数,再将它们归一化为概率Pi,j,则称形成的方阵[Pi,j]L×L为灰度共生矩阵[2]。 　　 　　2 基于灰度共生矩阵的纹理特征 　　 　　为了利用灰度共生矩阵所提供的信息,我们在共生矩阵的基础上进行二次统计,抽取出纹理特征。许多基于共生矩阵的特征已被定义并验证过,我们在此使用能量、灰度相关、局部平稳、熵、惯性矩等5个纹理特征系数[3]。 　　1) 能量(角二阶矩) 　　能量是灰度共生矩阵各元素的平方和,反映了图像灰度分布均匀程度和粗细程度。E大时纹理粗,能量大;反之E小时纹理细,能量小,灰