遥感图像特征分析.ppt

1、遥感图像的特征描述、光谱特征、边缘特征、纹理特征、形状特征、*、大小，是指记录图像上地物的大小、面积和体积。它是地物识别的重要标志。它直观地反映了目标相对于其他目标的大小。如果提供了图像的尺度或空间分辨率，则可以直接测量目标的长度和面积等定量信息。形状(shape)，指地面物体的形状和轮廓。大多数图像记录是地面物体的平面和顶面形状；侧视成像雷达获得侧视的倾斜图像。地面物体的形状是识别它们的重要而明显的标志。许多地面物体可以根据它们的特殊形状直接判断。纹理，即图像的详细结构以一定的频率重复出现，是指图像色调变化的频率。它是单一和微小特征的结合。这个单一的特征可能是如此之小，以致于它不能在图像上被

2、单独识别，例如树叶、树叶的阴影、河滩的砾石等。在视觉解释中，纹理指的是质地(光滑、粗糙、细腻等)。)图像上的地面物体的表面。纹理不仅取决于表面特征，还取决于照明角度和图像对比度，这是一个可变的值。具有相似光谱特征的物体通常通过纹理差异来识别，例如中等比例航空照片上的森林、灌木和草，粗糙的针叶林和粗糙的灌木，幼林中的模糊感，精致和光滑的草地等。图案，即图案结构，是指单个目标重复排列的空间形式。它反映了地物的空间分布特征。许多目标具有一定的重复关系，构成一种特殊的组合形式。它可以是天然的，也可以是人造的。这些特征有助于图像识别，如住宅区的建筑物、稻田的山脊、果园和排列整齐的树冠。site指的是地理

3、位置，它反映了地面物体所处的位置和环境。地面物体与其周围环境之间的空间关系，如菜地，大多分布在居民区周围和河流两岸；大城市郊区的机场大多是平的。这对于植物识别尤其重要，例如一些生长在高地的植物，一些只比湿地长的植物，等等。关联是指某些目标的特殊表达和空间组合关系。即物体之间一定的位置关系和排列，空间形态和布局。例如，砖厂由砖窑、借土坑、砖厂等组成。军事目标可能包括雷达站、军用车辆、军营等。1遥感图像的光谱特征描述、地面物体的光谱特征、植被水体，*影响植物光谱的因素、叶子颜色：植物叶子含有各种色素，它们的反射峰落在可见光范围的相应波长范围内。叶的组织结构叶的含水量植物盖度，不同植物类型的分化，水

4、体的光谱特征，*水体的光谱特征，黄河水(含沙量960毫克/升)，长江水(92.5毫克/升)，湖水(47.9毫克/升)，*，2遥感图像边缘特征描述，边缘，边缘指的是周围像素的灰度波吉指出，“边缘可能对应也可能不对应图像中的物体， 但是边缘具有非常令人满意的性质，这可以大大减少要处理的信息，但是保留图像中物体的形状信息“，*，理论曲线，实际曲线，(a)阶跃函数，(b)直线函数，两条公共边缘。 (2)线条是不连续的，即图像强度突然从一个值变为另一个值，然后在保持小笔画后返回到原始值。常见的边缘类型，*边缘检测方法，传统的边缘检测方法：罗伯茨算子，索贝尔算子，高斯-拉普拉斯算子等Canny边缘检测小波

5、多尺度边缘检测，Canny边缘检测，Canny提出了三个标准来评价边缘检测算法： (1)正确的检测意味着图像中的边缘不会被检测算子遗漏，并且非边缘不会被标记为边缘。(2)正确定位的图像中的边缘位置尽可能接近检测到的边缘位置。(3)对边缘的单一响应。对于ima中的单个边Canny边缘检测器的实现，1)图像与高斯平滑滤波器的卷积：2)通过一阶有限差分计算偏导数的两个阵列p和q，3)振幅和方位角：4)非最大抑制(NMS):细化振幅图像中的脊区，即只保留振幅局部变化最大的点。*梯度角的变化范围减小到圆周的四个扇区之一，*方向角：*振幅：在每个点上，邻域的中心像素m与沿梯度线的两个像素进行比较。如果m的

6、梯度值不大于沿梯度线的两个相邻像素的梯度值，让m=0，*(5)滞后阈值。由于噪声的影响，对图像中单个边缘的错误响应经常导致应该连续的边缘断裂的问题。这个问题可以通过滞后阈值来解决。如果任何像素对边缘算子的响应超过高阈值，这些像素被标记为边缘；如果响应超过低阈值的像素与已经被标记为边缘的像素4或8相邻，则这些像素也将被标记为边缘。重复这一过程，其余响应超过低阈值的孤立像素将被视为噪声，不再被标记为边缘。这两个阈值是根据信噪比确定的。基于小波分析的Canny边缘检测结果、7X7高斯滤波器模板、13X13高斯滤波器模板、Canny边缘检测结果、小波边缘检测算法和边缘检测算法总结如下：(1)对原始图像

7、进行多级小波分解，得到多尺度模型图像。(2)计算并记录小波变换域中模量为局部最大值的点。(3)采用自适应阈值法对阈值进行处理，得到多尺度边界图像。(4)执行逆小波变换以获得边界图像。霍夫变换利用图像空间和霍夫参数空间的点-线对偶性，将图像空间中的检测问题转化为参数空间。通过简单地在参数空间中累加统计量，然后在霍夫参数空间中找到累加器峰值来检测直线。变换前后，利用霍夫变换提取桥梁，(a)原始图像，(b)分割图像图4-4霍夫变换分割桥梁，相位分组直线检测，原理：利用梯度方向获取直线支持区域。实验结果：图1:原始图像，图2:白色表示线支持区域，图3:最小二乘拟合结果，3遥感图像纹理特征描述，人工纹理

8、和自然纹理(一)人工纹理；(二)自然纹理，纹理的概念，用一定的规则提取特定的纹理区域，纹理信息的提取，当前纹理提取技术的分类，统计方法，利用灰度值的空间分布，提出了大量的纹理统计方法和统计特征。几何方法纹理元素构成纹理。模型方法通过模型参数定义纹理，模型参数决定纹理的质量。信号处理方法(基于数学变换)包括空间域滤波、傅里叶滤波、Gabor和小波变换。*，统计方法分类，同现矩阵的Roche纹理能量自相关局部二值模式，*，同现矩阵方法概述，在图像上任意取一个点A(x，y)和另一个点(x，A，y)偏离它，让点A对的灰度值为(f1，f2)。然后，通过在整个图像上移动A点(x，y)，可以获得每个(f1，

9、f2)和偏离点(x，A，y，b)的(f1，f2)值。假设灰度值的数量为k，那么f1和f2的组合的平方为k。对于整个图像，计算每种(f1，f2)值的出现次数，然后将它们排列成一个正方形矩阵，并用(f1，f2)的总出现次数将它们归一化为出现概率p (f1，F2)，所以这个正方形矩阵称为灰度共生矩阵。*，共现矩阵法，下图是一幅大小为4*4的测试图像。此图片的灰度设置为四个等级，分别为0、1、2、3，因此有16种不同灰度值的组合：如果我们将偏移方向设置为0度，偏移距离设置为一个像素，那么我们就可以得到一个灰度共生矩阵，如下所示：共现矩阵，右边的像素行没有相邻像素需要计算，只有前面的像素a，然后将得到的

10、矩阵相加两次，也就是说，可以得到一个相对对称的矩阵，而不是有偏矩阵，共现矩阵。对于整个图像，您可以使用滑动窗口来计算要计算的像素值。如下图所示，共现矩阵、对比度参数、规律性参数、描述性统计参数、对比度和对比度的参数是用待计算的像素点与GLCM中的对角线之间的距离的平方作为权重来表示的。为了描述区域中的对比度，必须创建一个权重。当像素灰度值之间的差异较大时，权重较大，差异较小，权重较小。如果差值相同，则权重为0。而GLCM的对角线表示没有对比度的值，并且离对角线越远，对比度越大。说明：当I和j相等时，权重为0，这意味着像素之间没有对比度，因此给出0的值；当I和J之差为1时，对比度很小，权重为1；

11、当I和J之差为2时，对比度增加到4；重量随着I和J之间相位差的增加而增加.同质性，解释：同质性与对比相反。当I和j相等时，权重为1，相关系数最大值为1；当I和j之差为1时，有轻微的相关性，权重为0.5；当I和J之差为2时，相关性下降到0.2。权重随着I和J之间相位差的增大而减小.正则性参数、角第二矩能量平均信息(在许多文献中称为熵)、广义线性相关模型描述统计、广义线性相关模型均值方差相关模型、广义线性相关模型实验、*、广义线性相关模型实验、局部二进制模式、局部二进制模式最基本的LBP算子是一个固定大小为3/3的矩形块，其中有一个中心子块和8个相邻子块对应9个灰度值。LBP算子的动作步骤(见图3

12、)将周围的八个灰度值与中心灰度值进行比较，大于中心灰度值的子块用1表示，否则用0表示。然后按顺时针方向读出8个二进制值，作为33矩形块的特征值。从而作为该区域纹理的描述。然后出现了扩展的LBP算子，即利用不同数量的相邻子块和不同大小的矩形块，通过圆形相邻子块和灰度值的线性插值，构造任意相邻子块和半径大小的LBP算子。如图4所示，有两个扩展的LBP算子，其尺度表示为(P，R)，即半径为R的圆上有P个插值点，LBP实验结果、模型方法、马尔可夫随机场分形模型、分形模型，分形是自相似图形和结构的总称，没有特征长度，但有一定意义。什么是分形几何？一般来说，它是在某种意义上研究无限复杂但自相似的图形和结构

13、的几何。什么是自相似性？例如，一座山的表面，无论你如何放大它的一部分，都是如此的粗糙和不平；例如，天上的一棵大树和它自己的树枝之间在形状上没有很大的区别，等等。分形几何揭示了世界的本质。分形几何是真正描述自然的几何。分形模型用于描述纹理。在纹理分析应用中，分形维数(可以直观地理解为不规则几何的非整数维数)通常用于描述纹理。然而，不同的分形可能具有相同的分形维数和它们的性能，或者分形表面的模拟也表明，即使分形维数保持不变，也会获得不同的视觉纹理。基于分形维数的人工纹理图像分割结果，信号处理方法，Gabor小波变换，3.1 GABOR滤波器提取图像纹理，定义模式，其中，是尺度参数，方向参数，方差，

14、并作为滤波器组。在0度、45度、90度、135度不同比例下的过滤器形状如下：过滤器形状。Gabor滤波器用于图像分割的主要原理是构造一个滤波器组来提取图像在不同方向和尺度上的特征，从而达到图像分割的目的。该算法的主要操作步骤包括滤波器构造、特征提取和特征聚类。Gabor滤波器的一般步骤，滤波器的构造，特征提取，特征平滑，特征聚类，特征提取，滤波器组的每个滤波器g(m，n)与原始图像f(m，n)的卷积，得到特征向量空间，表示为r(m，n)。这里，为了避免复杂的卷积运算，引入了快速傅立叶变换，该变换在频域中通过点乘计算，然后逆变换到空间域。公式如下：特征平滑，根据特征的分布计算分布方差值：是特征向

15、量集的均值，根据得到的方差设计二维高斯函数，得到滤波器模板，如下式：所示：其中U为高斯分布。在此基础上，对g=Y * Y进行运算，得到对称的二维高斯滤波器模板g.滤波器模板g与特征向量r(m，n)卷积以平滑特征，并且获得最终特征向量s(m，n)。S(m，n)尽可能保留原始低频信息。由于特征选择方法可以保证相同纹理的像素基本分布在特征空间的相同区域，因此可以使用简单的聚类算法如K-均值算法来标记像素，实现图像分割。这个步骤被省略了。Gabor Filter测试结果，Gabor Filter测试结果，4遥感图像中目标形状特征描述的基本原理，目标形状的边界矩和边界矩可以简单描述为通过目标边界曲线的c函数的每阶边界矩和中心矩的组合形成一个不变矩函数公式，从而表示目标物体的形状特征。定义方式，假设目标边界曲线c，其上每个点的坐标可以用二维函数f(x，y)表示。函数的(p-q)阶边界矩可以表示为：而集中边界矩可以表示为：其中，在离散(数字图像)的情况下，归一化边界矩可以定义为：具有起始点位置、位移、旋转和比例缩放不变性的不变矩公式。注意：在上述七个边界不变矩函数中，只有前六