《遥感图像特征分析.ppt》由会员分享，可在线阅读，更多相关《遥感图像特征分析.ppt（89页珍藏版）》请在三一办公上搜索。
1、遥感图象的特征描述,光谱特征 边缘特征 纹理特征 形状特征,*,大小(size)，指地物尺寸、面积、体积在图象上的记录。它是地物识别的重要标志。它直观地反映目标相对于其它目标的大小。若提供图象的比例尺或空间分辨率，则可直接测得目标的长度、面积等定量信息。,形状(shape)，指地物目标的外形、轮廓。图象记录的多为地物的平面、顶面形状；侧视成象雷达则得侧视的斜象。地物的形状是识别它们的重要而明显的标志。不少地物往往可以直接根据它特殊的形状加以判定。,纹理(texture)即图象的细部结构以一定频率重复出现，指图象上色调变化的频率。它是一种单一细小特征的组合。这种单一特征可以很小，以至于不能在图象
2、上单独识别如叶片、叶部阴影、河滩的沙砾等。目视解译中，纹理指图象上地物表面的质感(平滑、粗糙、细腻等印象)。纹理不仅依赖于表面特征，且与光照角度、图象对比度有关，是一个变化值。对光谱特征相似的物体常通过纹理差异加以识别，如在中比例尺航空象片上的林、灌、草，针叶林粗糙、灌丛较粗糙、幼林有绒感(绒状影纹)、草地细腻、平滑感等,图案(pattern)，即图型结构，指个体目标重复排列的空间形式。它反映地物的空间分布特征。许多目标都具有一定的重复关系，构成特殊的组合形式。它可以是自然的，也可以是人为的。这些特征有助于图象的识别，如住宅区的建筑群、水田的垄块、果园、排列整齐的树冠等。,位置(site)，指
3、地理位置，它反映地物所处的地点与环境。地物与周边的空间关系，如菜地多分布于居民点周围及河流两侧；机场多在大城市郊区平坦地等。它对植物识别尤为重要，如有的植被生长于高地、有的植被只能长于湿地等,组合(association)，指某些目标的特殊表现和空间组合关系。即物体间一定的位置关系和排列方式空间配置和布局。如砖场由砖窑的高烟夕、取土坑、堆砖场等组合而成，军事目标可能有雷达站、军车、军营等,1 遥感图象光谱特征描述,地物光谱特征,植被水体,*,影响植物光谱的因素,叶子的颜色：植物叶子中含有多种色素，在可见光范围内，其反射峰值落在相应的波长范围内。叶子的组织构造叶子的含水量植物覆盖程度,不同植物类
4、型的区分,水体的光谱特征,*,水体的光谱特征,黄河水（泥沙含量960mg/L),长江水（92.5mg/L),湖水（47.9mg/L),*,2 遥感图象边缘特征描述,边缘,边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。Poggio指出:“边缘或许对应着图像中物体（的边界）或许并没有对应着图像中物体（的边界）,但是边缘具有十分令人满意的性质,它能大大地减少所要处理的信息但是又保留了图像中物体的形状信息”,*,理论曲线,实际曲线,(a)阶跃函数(b)线条函数,两种常见的边缘一阶导数和二阶导数示意图,(1)阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异；(2)线条不连续，
5、即图像强度突然从一个值变化到另一个值，保持一较小行程后又回到原来的值,常见的边缘类型,*,边缘检测方法,传统边缘检测方法:Roberts算子、Sobel算子、高斯-拉普拉斯算子等Canny边缘检测小波多尺度边缘检测,Canny边缘检测,Canny提出了衡量边缘检测算法好坏的三个标准:(1)探测正确即图像中的边缘不被检测算子漏检，也不会将非边缘标记为边缘。(2)定位正确图像中边缘位置与检出的边缘位置尽可能接近。(3)对边缘单响应对图像中单个边缘，检测算子为单响应。,Canny 边缘检测器的实现,1）求图像与高斯平滑滤波器卷积:,2）使用一阶有限差分计算偏导数的两个阵列P与Q：,3）幅值和方位角:
6、,4）非极大值抑制（NMS）：细化幅值图像中的屋脊带，即只保留幅值局部变化最大的点。*将梯度角的变化范围减小到圆周的四个扇区之一，,*方向角：,*幅值：,在每一点上，邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令M=0,*,(5)滞后阈值化 由于噪声的影响，对图像中单个边缘的错误响应，经常会导致本应连续的边缘出现断裂的问题。这个问题可以利用滞后阈值化加以解决。如果任何像素对边缘算子的响应超过高阈值，将这些像素标记为边缘；响应超过低阈值的像素，如果与已经标为边缘的像素4邻接或8邻接，则将这些像素也标记为边缘，这个过程反复迭代，剩下的孤立的响应超
7、过低阈值的像素则视为噪声，不再标记为边缘。这两个阈值根据信噪比确定。,Canny 边缘检测结果,7X7高斯滤波模板,13X13高斯滤波模板,Canny 边缘检测结果,小波边缘检测算法,基于小波分析的边缘检测算法总结如下：（1）对原始图像进行多级小波分解，得到多尺度的模图像。（2）计算并记录小波变换域中模为局部最大值的点。（3）通过自适应阈值法进行阈值处理，得到多尺度的边界图像。（4）进行逆小波变换，得到边界图像。,*,飞机与其边缘图,直线检测算法,Hough变换检测直线Hough变换利用图像空间和Hough参数空间的点线对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累
8、加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。,变换前,变换后,利用Hough变换提取桥梁,(a)原图(b)分割后图像图4-4 Hough变换的对桥梁的分割结果,相位编组直线检测,原理：利用梯度方向获取直线支撑区。,实验结果：,图一：原始图像,图二：白色表示线支持区域,图三：最小二乘拟合结果,3 遥感图象纹理特征描述,人工纹理与自然纹理(a)人工纹理；（b）自然纹理,纹理的概念,将特定的纹理区域用一定规则提取出来,纹理信息提取,目前的纹理提取技术的分类,统计方法利用灰度值的空间分布这一特性，提出了一大批的纹理统计方法与统计特征。几何方法纹理元构成纹理。模型方法通过模型参数来定义
9、纹理，模型的参数决定着纹理的质量。信号处理方法（基于数学变换）括空间域滤波、傅立叶滤波、Gabor和小波变换等。,*,统计方法的分类,共生矩阵罗氏纹理能量自相关局部二元模式,*,共生矩阵方法概述,在图像上任意取一点A(x,y),以及偏离它的另一点(x+a,y+b),设A点对的灰度值为(f1,f2)。然后再令A点(x,y)在整幅图像上移动，则会得到各个(f1,f2)及偏离点(x+a,y+b)的(f1,f2)值。设灰度值的级数为K，则f1和f2的组合有K的平方种。对于整幅图像，统计出每一种(f1,f2)值的出现次数，然后排列成为一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f
10、1,f2)，则称这样的方阵为灰度共生矩阵。,*,共生矩阵方法,下图就是一个测试图像，大小为4*4。,这个图的灰度级定为四级，为0，1，2，3，所以有16种不同灰度值的组合：,假如我们定为偏移方向是0度角，偏移距离为1个像素点，那么我们就可以得到我们的一个GLCM了，如下图：,共生矩阵,靠右的一排像素没有相邻的像素能用以计算了，实际计算只有前面的像素，如下图,可以再进行计算相反的GLCM，这次的偏移方向是相反的，角度为180度，偏移量不变。,然后将两次得到的矩阵相加，即可以得到相对对称的矩阵，而不是有偏差的矩阵,共生矩阵,对于整幅图像而言，可以使用滑动窗口来计算你所要计算的像素值。如下图,共生矩
11、阵的参数,对比度参数规律性参数描述性统计量参数,对比度(Contrast),对比度使用了所要计算的像素点和GLCM中的对角线的距离的平方作为权值来表示。为了描述一个区域中的对比度，必须创造一个权值，当像素灰度值相差越大时，权值越大，相差越小时，权值越小，相同时，权值为0。而GLCM的对角线表示了没有对比度的值，越远离对角线，对比度越大。解释：当i和j相等时，权值为0，表示没有像素之间没有对比度，所以给0值；当i和j相差为1时，就有了小的对比度，给权值为1；当i和j相差为2时，对比度增加为4；权值随i和j的相差值增加而增加。,均一度(Homogeneity),解释：均一性是与对比度相反的。当i和
12、j相等时，权值为1，此时相关系数是最大值1；当i和j相差为1时，就有了稍小的相关性，给权值为0.5；当i和j相差为2时相关性减少到0.2；权值随i和j的相差值增加而减少。,规律性参数,Angular Second Moment(ASM)能量 平均信息量（很多文献里称为熵）（Entropy）,GLCM描述性统计量,GLCM均值（GLCM Mean)GLCM方差（GLCM Variance）GLCM相关性（GLCM Correlation）,GLCM实验,*,GLCM实验,局部二元模式,Local Binary Pattern最基本的LBP 算子是一个固定大小为3 3 的矩形块,此矩形中有一个中心
13、子块和8 个邻近子块对应于9 个灰度值。LBP 算子的作用步骤(见图3)将四周的8 个灰度值与中心灰度值相比较,大于中心灰度值的子块由1 表示,反之,则由0 表示。然后根据顺时针方向读出8 个二进制值,作为该3 3矩形块的特征值。由此作为对此区域纹理的描述。,扩展的LBP,随后,出现了扩展LBP 算子,即使用不同数量的邻近子块以及不同尺寸的矩形块,利用环形的邻近子块和灰度值线性内插可以构造任意邻近子块和半径大小的LBP 算子。如图4 为两个扩展LBP 算子,其尺度表示为(P,R),即在半径为R 的圆周上存在P 个插值点。,LBP 实验结果,模型方法,Markov随机场分形模型,分形模型（fra
14、ctal）,分形是对没有特征长度，但具有一定意义下的自相似图形和结构的总称 什么是分形几何？通俗一点说就是研究无限复杂但具有一定意义下的自相似图形和结构的几何学。什么是自相似呢？例如高山的表面，您无论怎样放大其局部，它都如此粗糙不平；例如一棵苍天大树与它自身上的树枝及树枝上的枝杈，在形状上没什么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大自然的几何学,用分形模型描述纹理,在纹理分析应用中，一般采用分形维数（可直观地理解为不规则几何形状的非整体维数）来描述纹理 但是：不同分形极可能会有相同的分形维数而其表现或纹理却是不同的。对于分形表面的模拟也表明，即使分形维数保持不变，也会得到不
15、同的视觉纹理。,基于分形分维的人工纹理图像分割结果,信号处理方法,Gabor方法小波变换,3.1 GABOR 滤波提取图象纹理,定义方式,其中，,是尺度参数，,为方向参数，,为方差，取为,它是一个滤波器组，在0，45，90，135度时不同尺度下的滤波器形状如下图：,滤波器形状,Gabor Filter,Gabor滤波器分割图像的主要原理：通过构造一个滤波器组来提取图像不同方向和尺度下的特征，达到分割图像的目的。该算法中主要的操作步骤包括滤波器的构造、特征的提取和特征的聚类。,Gabor Filter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,用该滤波器组的每一个滤波器g(m,
16、n)分别与原始图像f(m,n)作卷积，得到了特征向量空间，记为r(m,n)。此处，为了避免复杂的卷积运算，引入快速傅立叶变换，在频域中用点乘运算，然后再反变换到空间域中，公式如下：,特征平滑,根据特征的分布情况计算分布方差值：,为该特征向量集的均值,根据求得的方差设计二维高斯函数，得到一个滤波模板，如下式:,其中，u为高斯分布的均值，取为0；在此基础上，作操作g=Y*Y T，得到对称的二维高斯滤波模板g。用得到的滤波模板g与特征向量r(m,n)作卷积以平滑该特征，而得到最终的特征向量s(m,n)。s(m,n)中尽可能地保留了原始的低频信息。,特征聚类,由于特征选择的方法可以保证同一种纹理的像素
17、点基本分布在特征空间的同一区域，所以用简单的聚类算法如K-Means算法即可以实现像素的标记，从而实现图像的分割。此步骤从略。,Gabor Filter试验结果,Gabor Filter试验结果,4 遥感图象目标形状特征描述,边界矩,目标形状的边界矩的基本原理可以简述为通过目标边界曲线C函数的各阶边界矩和中心化边界矩，通过各阶中心矩的组合形成不变矩函数式，从而表示目标对象的形状特征。,定义方式,假设目标边界曲线C，其上各点坐标可由二维函数f(x,y)表示。则函数的(p+q)阶边界矩可表示为：,而中心化边界矩可表示为：,其中,离散的情况（数字图像）,规格化的边界矩可以定义为：,始点位置、位移、旋
18、转以及尺度缩放不变性的不变矩公式,注意的方面：,在以上七个边界矩不变函数式中，只有前六个函数式具有RST三个不变性，而第七个函数式只 ST不变性。在量化过程中，受实际采样方式的影响，基于矩的图像特征并不能严格的保证旋转与比例尺度不变性，因此需要合理设置采样的间隔。,使用流程,Shape regularity index(SR),应用例子,转折函数（turning function）,A polygon A can be represented by a list of vertices around its boundary with corresponding coordinates.The
19、 turning function(s),which measures the cumulative angle of the counterclockwise tangent as a function of the arc length s,measured from some reference point o on As boundary,转折函数距离量测方法,Given two polygons A and B and their associated turning functions A(s)and B(s),we can measure the degree to which
20、they are similar by taking the distance between A(s)and B(s)in terms of the metric on function spaces.The LP distance between A and B is defined aswhere|.|denotes the Lp norm.Suppose the turning function is A(s+t)if the reference point O along As boundary is shifted by t,and it is B(s)+if A is rotat
21、ed by,then to minimize the distance over all such effects,the similarity measure in case of the planar polygons,i.e.,p=2,is given as,*,距离直方图,目标对象的质心(Centroid)对于目标对象的形状边界来说是不随位移和旋转而改变的。通过对目标对象边界上采样点到目标对象质心距离大小类别进行统计，可以有效地刻画目标对象边界的形状特性，而且计算原理简单、代价较小质心(Centroid)：对于目标对象的形状边界来说是不随位移和旋转而改变的。,步骤,计算目标对象边界形状的质心,根据以上公式，质心点可以表示为：,计算样本点到质心的距离,生成距离直方图 根据实际情况，将从样本点到质心的距离分为几种类别，假设为R类，其范围为：0，Dmax/R,Dmax/R,2 Dmax/R,.,(R-1)Dmax/R,Dmax，分别计算每一个范围内包含的样本点个数。,为了达到尺度缩放不变性，需要执行规格化操作，具体做法是将每一个范围内的各个距离值都除以其中的最大值，从而使每一个值都归属于0，1范围内。,形状特征的表示 形状特征可以D(d0,d1,d2,d3,dn)来表示,其中n代表划分范围的个数，而每一个di代表相应范围内样本点的个数。,距离直方图形状计算流程图,
