[精品]远测数位影像处理.ppt

遙測數位影像處理 第四講 影像統計 主要統計項目及其意義 各基本統計在影像處理間之關連 影像度量統計與影像空間度量 一、主要統計項目及其意義 1.平均數(X): a.公式: 　 b.意義：一影像資料之中央趨勢，若為光譜平均則可視為其影像之平均亮度，值大則影像亮、值小則影像暗。 c.案例：台北市SPOT影像光段1與光段3之對比。(圖4.1、圖4.2) 2.標準差(S) a.公式: c.案例： 台北市SPOT影像光段1與光段3之對比。(圖4.3、圖4.4) 3.變異數(variance) a.公式: 4.相關係數(γ) a.公式: c.案例: 台北市SPOT影像光段1與光段2，及光段2與光段3之相關性比較。 5.共變數(covariance) a.公式: 6.最小值(min)、最大值(max)及範圍(Range) a.公式: c.案例: 台北市SPOT影像光段1與光段3之對比 7.頻率統計（freguency count）Histogram ,Scatterplot a.公式: c.案例: 台北市SPOT影像光段1與光段3之對比。 二、各基本統計在影像處理間之關連 1.統計與前處理 例如：影像加強 a.線性加強(Linear min-max stretching)　 公式 ： Val:為加強後新值。 Val:為原值。 Min:為最小值。 Maxvalue:加強後之最大值(以0為最小值)。 對應曲線斜率大於1者為加強部分，斜率小於1者為壓縮部分。 b.均頻加強(Histoequalization) 公式/作法： 　 Freq(i):是每一新I強度的頻率。 n:是影像之總像元(pixel)數。 maxval:欲取得之新值總數。 相關網頁 Khoros Lab for TEMPUS CIDEC Image Processing Course(Histogram Stretching Contrast Enhancement) Khoros Lab for TEMPUS CIDEC Image Processing Course（Histogram Equalization） 理想轉換線之直方圖應為水平線分佈，即各組頻率相同。 2.統計與資訊抽取 例如：分類 a.最小距離法 公式： 以差異之總和作為相似性之定義，差異愈小，則愈像。亦是另一種歸屬函數；但類別間有相互競爭，最像者得此分類單元（pixel或區域） 優點：計算簡單、成本低。 缺點：此方法只考慮與類別之中心趨勢平均間距離，但未考慮其分佈大小。 b.平行桿法 公式： 函數in：為xi值在Catj之統計range之內,則in值為j。即落入分類組之分佈範圍，即稱為相似。 優點：此法考慮了分佈，且成本低。 缺點：但可能有較多之重疊競爭，需有法則處理，其尚未考慮到分佈機率。 c.最大相似法 公式： 　 函數Probj：為Catj之常態分布機率函數；最大或然率之 j 即為Cati之值。 此法以機率為其相似性指標，機率最大者為最像。 優點：其有考慮平均及分佈並算出機率，可以較細緻的判釋其正確性，一般而言較高。 缺點：其分佈假設為常態分佈，若真實分佈為其他分佈或雙（多）峰分佈則不準、計算成本較大。 改進方法：可以計算其真實機率來取代，但成本會更大。 3、統計與影像轉換及選用 利用主軸成分分析（PCA），將影像中的相關性降低，減少重複的資訊量，便可以進行以向的轉換及壓縮（見圖4.21），尤其是影像頻段極多時，如超高頻影像（Hyper-spectrum imagery），則需要進行影像的光段數量的減少，或是選擇。 在影像的選取方面，則是選擇三個光段，作為RGB三色的展示影像，其選取的一般原則是以資訊量較高，且相關性較低兩條件來選取，亦即是以以向的變異數較高，而共變異數（或相關係數）較低的三層影像組來評估。或是特定的關注現象或地物的特徵較為凸顯的三層影像組來評估，其評估的依據可以是特地的特徵差異量，或是分離係數（亦為一種的特徵差異的度量）。 三、統計與影像空間度量 影像的空間度量有組織（紋理，TEXTRUE），大小（SIZE），形狀（SHAPE），排列（PATTERN），空間關連性（SPATIAL ASSOCIATION），陰影（SHADOW）等。（參考資料見，林文祥與陳仁哲的論文） 組織（紋理，TEXTRUE） 可以一WINDOW，或地物中光譜資料的離均差，標準差，會邊界點（EDGE POINTS）的數量，內部單元的平均SIZE，與多元性統計來計算簡單的組織度量。 大小（SIZE） 若地域已有邊界或分佈，則可以技術PIXEL數量來統計。 形狀（SHAPE） 最簡單的形狀度量維與標準直