基于多尺度小波的城市遥感图像纹理特征提取
基于小波变换的纹理特征提取分析
本 目 任 辑 李 瑾 栏 责 编 ： 桂
・ ・ ・ 工智 能 及 识别 技术 ・ ・ ・ 人
基 于小波变换 的纹 理特征提取分析
韩 琳 ’杨 明 ．
（． 东 师 范 大 学 传 播 学 院 ， 东 济 南 ２０ １ ；． 东 大 学 人 事 处 ， 东 烟 台 ２ ４ ２ ） １山 山 ５ ０４ ２鲁 山 ６ ０ ５
（． ｏ ｎｃ ｔ ｎＩ ｓｔｔ ｏ ａ ｄ ｎ ｒ ｌ ｉｅ ｉ ， ｉ ｎ２ ０ １ ， ｈｎ ； ． ｐ ￣ ｎ ｆ ｅ ｏ ｎ ｌ ｆ ｕ ｏ ｇＵｎｖ ｒ ｔ， ｎａ １ Ｃ ｍｕ ｉ ｉ ｔｕ ｅ ｆ ｈ ｎ ｏ ｇＮｏ ｍａ Ｕｎｖ ｒ ｔ Ｊ ａ ５ ０ ４ Ｃ ｉａ ２ Ｄｅ ａ ｍｅ ｔ ｒ ｎ ｅ ｏ ｄ ｎ ｉ ｓ Ｙａ ｔ ａ ｏ ｎｉ Ｓ ｓｙ ｎ ｏ Ｐｓ Ｌ ｅｉ ｙ ｉ
．
Ｔｅ ｔ ｒ ｘ ｅ ｕ
Ｆ ａ ｒ ｔａ ｔｏ Ｂａ ｅ ｏ ｔ ｅ ｔｃ ｎｉ ａ ｌｔＴｒ ｎ ｆ ｌｌｉ ｄ ｍ ｉ ａ ｔａ ｐ ｏ ｉａｅ ｉ ｈ ｒ ｅ ｓ ｅ ｔ ｅ Ｅｘ ｒｃ ｎ ｓｄ ｎ ｈ ｅ ｈ ｑｕｅｏｆＷ ｖｅｅ ａ ｓｏｒ ｓ ｏ ｎ ｎ ｎｄ ａ ｐｒ ｐｒ ｔ ｎ ｔ ｅ ｐ ｏｃ ｓ． ｕ ｉ Ｔ
Ｌ 单调性 ：一 ｃ ｃ％ ｃ ｌ ｃ－ ｃ － ２ ．逼近・ Ｕ ＝ （ ） ｎ ＝＜ ） 陛： Ｒ ， Ｏ
Ｚ ｌ Ｚ ＇ ｅ
３ ．伸缩性：，（） ∈
４ ．平移不变。 ，（） ∈
ｄ（ｘ ∈ｖ ｌ ∈ ： ２） ，， － ｚ
，（ 一２七 ∈ ， ∈ｚ ）
中图分类号 －Ｐ ９ Ｔ ３１
文献标识码 ： Ａ
文章编号 ：０ ９ ３ ４ （０ ７１ — １ ９ — １ １ ０ — ０ ４２ ０ ）１ ２ ３ ５ ０
基于小波多尺度和熵在图像字符特征提取方法的改进解读
基于小波多尺度和熵在图像字符特征提取方法的改进摘要：提出了一种基于小波和熵提取图像字符特征的方法。
该方法利用小波变换对图像字符进行多尺度分解，用marr零交叉边缘检测算子提取边缘；用基于判别熵最小化提取每一尺度图像的边界特征，小波的“数字显微镜”的优点与熵能确切地表达各类的交叠状况且能直接表达错误率的特征相结合。
与其它方法相比，该方法提取的特征向量稳定、识别率高、算法快，非常有利于分类，且特征提取的方法有人类视觉的特点。
关键词：多尺度分析 Marr边缘检测算子判别熵特征提取在线签名验证是通过计算机采集和验证个人签名，从而实现无纸化办公的一种技术[1]。
其中，从采集到的视频图像中提取有效的字符特片是在线签名验证系统的核心步骤。
随着计算机和模式识别技术的迅速发展，出现了很多提取字符特征的方案，最具代表性的有边缘描述法和矩描述法[2]。
描述边缘形状的方法可用曲线拟合和傅立叶描述子方法。
傅立叶描述子虽较好地描述了一封闭的图像轮廓，但其特征很多，噪声和量化误差对具有较低幅值的系数影响较大。
当用FFT计算傅立叶系数，必须将其边界点的长度修成2的整数次幂，且其描述不具有三个（方向、位置、大小）不变性，不能直接用于目标识别，必须进行复杂的变换。
这些都影响了它的使用。
矩描述法就是利用图像灰度分布的各阶矩描述图像灰度分布的特征。
矩特征是定义在整个图像空间上的一个二重积分，它同样不具有三个不变性，使用时必须进行归一化处理。
不变矩只是一种旋转归一化方法，必须结合大小，位置归一化处理才有三个不变性。
图1虽然用这些特征进行图像识别取得了较为满意的效果，但是，这些特征的定义都是相当复杂的，运算量很大，并且与人类认知的机理也是完全不同的，不能直观地理解。
本文提出了一种将统计特征与结构特征相结合的新思路，对字符图像进行小波多尺度分解，有效地抑制了图像中的噪声，充分反映了图像结构的精细特征；用基于判别熵最小化进行特征提取能确切地表达各类的交叠状况，且能直接表达错误率，从而有效地提高识别率。
遥感图像处理中的特征提取与分类算法
遥感图像处理中的特征提取与分类算法1. 引言遥感图像处理是利用卫星或航空平台获取的图像数据进行分析和提取信息的过程。
特征提取与分类是遥感图像处理中的重要环节，它能够将图像中的信息转化为计算机可处理的形式，为后续的应用提供有意义的数据基础。
本文将介绍遥感图像处理中常用的特征提取与分类算法。
2. 特征提取算法在遥感图像处理中，特征提取是将图像中的主要信息提取出来，以便进行进一步的分析与应用。
常用的特征提取算法包括:2.1 灰度共生矩阵灰度共生矩阵(Grey-level Co-occurrence Matrix，GLCM)是一种统计图像灰度级彼此配对的位置和出现频率情况的矩阵。
通过计算图像中像素点之间的灰度分布特性，可以提取出纹理特征信息。
2.2 主成分分析主成分分析(Principal Component Analysis，PCA)是一种常用的减少特征维度的方法。
它通过对图像数据进行线性变换，将原始的高维数据转化为低维的特征子空间，保留数据中最主要的信息。
2.3 尺度不变特征变换尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)是一种在图像中检测关键点并进行特征描述的算法。
SIFT算法在尺度变换、旋转变换、光照变换等情况下均能提取出稳定的特征点。
3. 分类算法在特征提取完成后，需要将图像进行分类，将其归类为预先定义好的类别。
常用的分类算法包括:3.1 支持向量机支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的分类算法。
它通过在特征空间中找到最优超平面，将不同类别的样本分开。
3.2 K最近邻算法K最近邻(K-Nearest Neighbor，KNN)算法是一种基于样本最邻近的分类方法。
它通过计算未知样本与已知样本之间的距离，并选择最接近的K个已知样本进行分类。
3.3 随机森林随机森林(Random Forest)是一种基于集成学习的分类算法。
遥感影像解译中的纹理特征提取方法与实践指南
遥感影像解译中的纹理特征提取方法与实践指南遥感影像解译是一项重要的技术，在许多领域有着广泛的应用。
纹理特征提取是遥感影像解译中的一个关键步骤，它可以帮助我们从图像中获取有关地物表面纹理信息的重要指标。
本文将介绍纹理特征提取的一些常用方法，并给出一些实践指南。
一、纹理特征提取方法1. 统计方法统计方法是最常用的纹理特征提取方法之一。
它基于像素灰度值之间的统计特性，通过计算各种统计参数来描述图像的纹理特征。
常见的统计参数包括均值、方差、协方差、相关性等。
这些参数可以用来刻画图像的纹理粗糙程度、纹理方向等。
2. 傅立叶变换方法傅立叶变换方法利用频域分析的思想，将图像从空域转换到频域，通过分析频谱信息提取纹理特征。
常见的方法有二维离散傅立叶变换(DFT)、小波变换(WT)等。
这些方法可以捕捉到图像不同频率上的纹理细节信息，对于某些纹理样式的提取效果较好。
3. 统计模型方法统计模型方法基于图像纹理统计特性的假设，使用统计模型来描述图像的纹理结构。
常见的统计模型包括灰度共生矩阵(GLCM)、自回归模型(AR)等。
这些模型可以帮助我们从图像中提取出与纹理特征相关的统计参数，通过对比这些参数的差异来获取纹理信息。
二、纹理特征提取的实践指南1. 选择合适的特征提取方法在进行纹理特征提取时，需要根据具体的应用场景选择合适的方法。
对于需要捕捉细节纹理的场景，可以尝试傅立叶变换方法；对于需要考虑纹理方向的场景，可以使用统计方法；对于需要全局纹理信息的场景，可以使用统计模型方法。
2. 采用多尺度特征提取纹理特征的提取通常需要考虑不同尺度下的纹理变化。
因此，可以使用多尺度分析的方法，通过对图像进行多次滤波或变换，提取不同尺度下的纹理特征。
这样可以更好地捕捉到不同尺度下的纹理细节，提高纹理特征的区分能力。
3. 结合其他特征进行综合分析纹理特征是遥感影像解译的一个重要方面，但单独使用纹理特征可能无法完全描述地物的复杂特征。
因此，可以结合其他特征如颜色、形状等进行综合分析，提高解译结果的准确性。
基于纹理特征的遥感影像居民地提取技术研究
基于纹理特征的遥感影像居民地提取技术研究1. 本文概述随着遥感技术的迅速发展，遥感影像在地理信息系统、环境监测、城市规划等多个领域中的应用日益广泛。
特别是在居民地提取方面，遥感影像的分析和处理技术对于城市规划、灾害评估以及资源管理等方面具有重要意义。
本文主要针对基于纹理特征的遥感影像居民地提取技术进行研究。
纹理特征作为一种重要的视觉线索，能够有效反映地物的内在结构和属性，因此在遥感影像的居民地提取中具有显著的优势。
本文首先对现有的遥感影像居民地提取方法进行综述，分析各种方法的优缺点。
接着，本文将详细介绍基于纹理特征的居民地提取方法，包括纹理特征的选择、提取和优化等关键步骤。
本文将通过实验验证所提出方法的有效性和准确性，并与现有方法进行对比分析，以证明其在遥感影像居民地提取方面的优越性。
本文的研究旨在为遥感影像居民地提取提供一种高效、准确的技术手段，为相关领域的研究和实践提供参考和借鉴。
2. 文献综述遥感影像居民地提取是遥感图像处理和地理信息系统领域的研究热点，它对于城市规划、资源管理、灾害评估等方面具有重要意义。
近年来，随着遥感技术的飞速发展，遥感影像数据量剧增，如何高效、准确地从遥感影像中提取居民地信息成为研究的关键问题。
本文主要从纹理特征的角度，对遥感影像居民地提取技术进行综述。
纹理特征作为一种重要的视觉特征，可以有效地反映地物的内在结构和属性。
在遥感影像居民地提取中，纹理特征的应用研究主要集中在以下几个方面：（1）纹理特征提取算法：早期的纹理特征提取算法主要基于统计方法，如灰度共生矩阵（GLCM）、灰度尺度不变特征变换（GSIFT）等。
近年来，随着机器学习技术的发展，许多研究者将深度学习技术应用于纹理特征提取，如卷积神经网络（CNN）、循环神经网络（RNN）等。
（2）纹理特征选择与优化：在遥感影像居民地提取中，选择合适的纹理特征对于提高提取精度至关重要。
许多研究者通过特征选择算法，如 ReliefF、遗传算法等，对纹理特征进行筛选和优化，以减少特征维度，提高提取效率。
遥感图像纹理特征提取与分类分析研究
遥感图像纹理特征提取与分类分析研究遥感技术的应用日益广泛，其成像质量比传统的图像获取方式更高，并且可以获取超大范围的地表图像。
遥感图像的纹理特征可以帮助我们更好地理解地表特征，因此提取和分类遥感图像的纹理特征变得越来越重要。
纹理特征是指图像中局部区域的像素分布情况，通过计算这些分布的统计特征，如平均灰度、标准差、方差、对比度、能量等，可以描述该局部区域的纹理特征。
提取出一幅遥感图像中的纹理特征信息，可以帮助我们分析该图像中各个区域的地物类型和地貌特征。
在遥感图像处理中，纹理特征提取方法主要包括局部二值模式（LBP）、灰度共生矩阵（GLCM）、边缘方向直方图（EOH）等方法。
这些方法都是通过将图像划分为小的局部区域，然后计算每个区域的纹理特征，来描述整幅图像的纹理特征。
其中，局部二值模式是比较常用的方法，它可以通过将每个像素与其周围的像素比较，判断像素之间的灰度差异性来计算纹理特征。
而灰度共生矩阵则是通过计算不同灰度级别之间的出现次数来计算纹理特征，例如灰度共生矩阵可以被用来描述图像边缘的粗糙度和方向等信息。
纹理特征的分类分析通常利用机器学习方法。
机器学习是一个基于大量数据，自动分析和提取出数据特征、模式、规律的过程，其中深度学习是机器学习的一种方法，其特点是利用多层神经网络来建模并学习数据的复杂特征。
在遥感图像处理中，通常使用监督学习和无监督学习两种机器学习方法来进行遥感图像的分类分析。
在监督学习中，我们首先需要为每个像素标注其所属类别，这可以由人工标注或其他分类方法得到。
然后使用这些已知类别的像素和对应的纹理特征训练一个分类器，例如支持向量机（SVM）、决策树、随机森林等。
分类器可以根据训练数据学习到各个类别的纹理特征，然后利用这些特征对未知区域进行分类。
无监督学习则不需要对每个像素进行标注，而是采用聚类分析的方法，将具有相似纹理特征的像素划分为同一类别，例如k-means聚类算法。
在遥感图像处理中，通常将多个纹理特征用于分类分析。
基于小波变换的图像纹理特征提取技术
ｒ ｓ ｏ ｉ ｎ ｄｔ ｅ ｃ ｏｃ ｎ ｇ ｒ ｔ ｎ ｆ ｒ ｉ ｒ ａ ｏ ｅ ｔ ｒ ａｙ ｉ ｂ ｃ ｍ ｅ ｅｉ ｏ ｔｎ ａ ｓ ｇ ａｙ ｉ． Ｉ ｉ ｐ ｌ ｄ ｏ ｃ ｐ ｃｋ ｄ ａ ｒ ｏ ｆ ｕ ａ ｉ ， ｏ ｓ ｅ ｓ ｎ ｔｘ ｕ ｅａ ｌ ｓｓ ｅ ｏ ｓ ｉ ｎ ｈ ｍｉ ｉ ｏ ｈ ｔ ｎ ｈ ｔ ｍｐ ｒａ ｔ ｎ ｉ ｍｅ ｎ ｉ ｍａ ｅａ ｌ ｓｓ ｔ ｓ ｐ ｉ ｎ ａ ｅ ｎ ｍａ ｅｄ ｃ ｓ ｉ ｎ ｙ ｆ ｌ ｓ ｕ ｈａ ａ ｅ ｌｕ ｉｇ ａ ａ ａｙ ｉ，ｔ ｅｓ ｔ ｌ ｔ ｅｓ ｍａ ｅａ ａｙ ｉ，ｔ ｅ ｏ ｏ ｎ ｅ ｆ ｉｉ ｎ ｉｄ ｓｒ ｐ ｒ ｉｅ ｉ ｓ ｗｅ ｔ ｒ ｏ ｄｄ ａ ｒ ｍ ｌ ｓｓ ｈ ｅｌ ｅ ａ ｆ ｌ ｉ ｇ ｌ ｓｓ ｈ ｂ ｔ ｅ ｓ ｖ ｓｏ ， ｎ ｕ ｔ ｓ ｅ ｖ ｓ ｓ ｈ ｃ ｎ ａ ｉ ｆ ｅ ｒ ｎ ｒ ｓ ｏ ｙ ｕ
基于多方向二进小波变换的遥感图像特征提取方法
基于多方向二进小波变换的遥感图像特征提取方法
谢永华;杨静宇
【期刊名称】《小型微型计算机系统》
【年(卷),期】2005(26)6
【摘要】在分析不同分辨率图像空间特性的基础上,提出了一种基于多方向二进小波变换的图像特征提取方法.该方法首先对图像进行小波变换,然后由二进小波变换的模的局部极大值检测信号突变点位置及奇异性大小,实现图像的边缘特征提取.通过对遥感图像样本的仿真实验表明,基于多方向二进小波变换的图像边缘特征提取方法可以取得较好的边缘特征提取效果.
【总页数】3页(P1054-1056)
【作者】谢永华;杨静宇
【作者单位】南京理工大学,计算机科学系,江苏,南京,210094;南京气象学院,计算机科学与技术系,江苏,南京,210044;南京理工大学,计算机科学系,江苏,南京,210094【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于多特征融合的遥感图像特征提取方法 [J], 孙红岩
2.基于二进小波变换的遥感图像融合方法 [J], 古丽米热·米吉提;吐尔洪江·阿布都克力木
3.基于二进小波变换的遥感图像融合方法 [J], 古丽米热•米吉提;吐尔洪江•阿布都克力木
4.复杂结构构造区遥感图像的地质信息提取方法——基于小波变换的多层次图像分割 [J], 陆关祥;周鼎武;王居里;郝建荣
5.一种基于分形理论的多尺度多方向纹理特征提取方法 [J], 赵莹;高隽;陈果;冯文刚
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（广州市花都 区经济贸易职业技术学校 ，广 东广州，５００ １８０）
Ｉ 要 ｌ 遥 感 技 术 为 人 们 提 供 了大 量 的 图像 数 据 ，如 何 从 中提 取 所 需 信 息 ，是 遥 感 图像 处 理 技 术研 究 的 热 点 。基 摘
于多尺度 小波变换 ， 可提取城市 图像的纹理特征 。根据城市影像 中地物特征 和小波技术 的特点 ， 确定合适 的窗口大小 ， 采用逐一滑动窗 口的方 法，对每 一窗口提取相应的小波统计特征 ； 应用小波变换的多尺度 特性，在不 同尺度上提取 出 子 图像特征 ，构造 出纹理特征 矢量 ，为遥感 图像 的分 类提供纹理特征。
解 ， 示水平 方 向为低 频、 表 垂直 方 向为高频 的子 图
２研 究方法
２１小波技术 ．
像 ； ｊ ｆ ５方向上的频率分解， 『 ＋ 】 在４。 是 表示水平、 垂
直方 向均为 高频 的子 图像 。大 部分 的纹理信 息是 以高 频 的形式 出现 ， 即体 现在 三个 细节子 图像 中。 算法采用 由 Ｍ ｌａ 提 出的金子塔分解 ， 图像每 一 ａ ｌｔ 对 层次的 ， 小波分解 ， 进行 产生下一层次的 ４ 种信 息 ：
信 息表达 方式 ， 并与传 统 的表达 方式作 比较 ； 朱
特性完全不 同的具体地 物组成 ， 统的基于光谱的 传 自动 解译 方 法无 法解 译 出按 功 能分类 的信 息 ｕ。
而按功 能分类 的地物类 型在 空间排列 组合上 常显 现 出规 律性 ， 通过 纹理特 征 ， 它们 区分开 ，因 可 将 此， 何恰 当表达地物 的图像纹 理特 征成为利用纹 如
型设计 了对纹理特征 的表 达方法， 并且对这些纹理 进行了分类 …。 本文在借鉴前人研 究成 果基础上 ， 出了一种 提
理信 息进行 图像分类 、 息提取一个关键步骤 。 信
由于纹 理是 大量 像 素 的集 中体 现 ， 有将 这 只
些像 素 作 为整 体， 能对 纹理 信 息进 行表 达 和提 才
第 １ 卷 ９
Ｖ １ １ ｏ ． ９
总第 ８ ２期
Ｓｍ Ｎ ．８ ｕ ｏ ２
厂东厂播 电视大 学学报 Fra bibliotekＪ０ＵＲＮＡＬ ＯＦ ＧＵＡＮＧＤＯＮＧ ＲＡ［ Ｏ ＆ ＴＶ ３１ ＵＮＩ ＶＥＲＳＩ ＴＹ
２ １ 年第 ４ 期 ００
Ｎ ｏ． ４ ２ ０ ． Ｏ１
基 于 多尺度 小波 的城 市遥感 图像 纹理特征提取
出各 小 图像块 与 各样本 图像块 之 间的距 离 ； 三 第
量 的图像数据 。如何从 这些海量 数据 中提取 出各
类信 息 ， 一直是遥感 图像处理技术 中的一大研究热
点。基于像 元光谱 特征 的分类方 法是较 为传统 和
广泛 的信息提取方法 。然而 ， 像元光谱特 征无法提
供像元排列呈现 出的纹理信 息， 而纹 理正是 图像 的
Ｉ 键 词 】 多尺 度 小 波 ； 感 ；图像 ； 理 ； 量 关 遥 纹 矢
【 中图分类号ｌＴ ７ 【 Ｐ ５ 文献标识码】Ａ 文章编号ｌ Ｏ ８— ９ ６ （０ ０ ４— ０ ０ １ Ｉ １０ ７４ ２ １ ）０ １６— ０ ４
图像 块 ， 后对 这 些 小 图像 块 的类 别进 行 划分 确 然
２１ ００年第 ４期
黄皖毅 ： 基于多尺 度小波的城 市遥感图像纹 理特征提取
子图像的特征 ， 在后续工 作中则可 以利用各个 图像 的纹理特征对这些小 图像块进行分类 。
信息 ， 属于上 层信号 中的细 节部分 ； 。 ｆ 是 在垂 直 方 向上 的频 率分 解 ， 示水平 方 向为高频 、 表 垂直方 向为低频 的子 图像 ， 是 ｆ 水平方 向的频率 分 在
取， 即基于 内容进行信 息提取 。基于 内容 的图像信 息提取 是指将 原 图像 按照某 种准 则分割为 若干小
基于 多尺度 小波变 换提取城 市 图像 纹理特 征的技
术 。应用小波变换 的多尺度特性 ， 提取 出不 同尺度
【 收稿 日期】２ １ －０ —２ ００ ５ ０
Ｉ 作者简介】黄 皖毅 （９ ４ １７ 一） ，女 ，云南大理人，广州 市花都 区经济贸 易职业技 术学校计算机专业讲师。
步， 用距 离对 各 图像 块进 行 分类 。针对 这 三 利
个步骤 ， 内外 都进行 了不少研 究。Ｇ ｏａｂ ｓ ｉ 国 ｈ ｌｍ ｏｅ ｎ Ｓｅｋ ｏｅ ｔｍ 等利用 小波技术 提取子 图像特征 ， ｈ ｉｈ ｌｓａ ｉ
重要特 征之一 。许多 图像信息 正是通过 纹理 来表 达 的。因此 基于光 谱 的分类法无 法满足 实 际应 用 需要 。例 如， 城 市空 间分析 中， 在 需要 的数据类 型
通 常是 ： 住宅、 公共设施、 道路、 工厂、 市边 缘区等 城 按照功能分类 的地物类 型， 每种类型均 由各种光谱
然后对样本进行 非监 督分类 ， 利用 光谱信 息分 出亚 类， 再利用 亚类模 板进 行纹理特 征分类 ， 提高 了信 息提取 的效率 ； ｅ Ｗｎ Ｍｒ ｔ利用二维 小波 分 Ｓ ｉ ｙｎ ｏ ｉ 解不 同波段城市遥感 图像 ， 基于分解 结果设计纹理
１ 引言
近 ２ 年来， ０ 遥感 技术 的发展 向人们 提供 了大
定， 而确 定 图像 块 中心 像 元 的类 别 。基 于 内容 从
的信 息提取分 为三步 ： 一步 ， 第 构造 出小 图像块 的 特征 矢 量， 应用 特 征矢 量度 量 出各 个 小 图像块 的 特 征 ； 二步 ， 择 各类 地物 的样 本 图像 块， 算 第 选 计
常青提 出具有 更佳分 辨率的小波分解 ， 究 了地貌 研 影像 纹理 分析和 分类 ， 对 ２ 类 地貌遥 感影像 进 并 ５
行 了分类试验 ； Ｊ ｎ －ｅｎＷｎ 而 ｉｇＷ ｉ ａｇ和 Ｃ ｉ－ｓｎ ｈ ｎＨ ｉｇ
Ｃｅ 指 出应用 ２ ｈｎ 维无 分离 小波变换 的极值可 以很 好 的表达纹理 旧 ；．．ｈ ｒｚａ则基于马尔可夫模 ＪＭ ＮＳ ｉａ ｉ