遥感影像纹理分析方法研究
遥感影像纹理分析方法综述与展望
遥感影像纹理分析方法综述与展望遥感影像纹理分析是指利用遥感影像数据进行纹理特征提取和分析的方法，通过对影像中的纹理特征进行提取和分析，可以揭示地物的空间信息和场景的地貌特征，对土地利用分类、地质勘察、环境监测等领域具有重要的应用价值。
本文将对遥感影像纹理分析的方法进行综述和展望。
一、遥感影像纹理特征的提取方法1.统计纹理分析法：通过对影像中像元灰度值的一维或二维统计分布进行分析，提取纹理特征。
常用的统计纹理分析方法有灰度共生矩阵（GLCM）、灰度平均值方差、灰度直方图等。
这些方法简单易行，适用于各种遥感影像类型。
2.频域纹理分析法：将影像从空域转换到频域，通过分析频谱分布来提取纹理特征。
常用的频域纹理分析方法有傅里叶变换、小波变换等。
这些方法能够较好地反映纹理的频域特征，适用于特定类型的遥感影像。
3.结构纹理分析法：通过分析影像中物体的结构特征，提取纹理信息。
常用的结构纹理分析方法有形态学运算、区域分割、纹理滤波等。
这些方法能够较好地捕捉影像中物体的结构信息，适用于土地利用分类等方面。
二、遥感影像纹理分析的应用1.土地利用分类：通过分析不同土地利用类型的纹理特征，可以对土地利用进行自动分类。
纹理特征可以提供关于土地利用类型、空间分布和结构特征等信息，对土地资源管理和规划具有重要的意义。
2.地质勘察：通过分析地质图像中的纹理特征，可以获取地质结构和地质演化信息。
纹理特征的提取可以帮助地质学家进行地质构造分析、岩石分类和矿产勘查等工作。
3.环境监测：通过分析遥感影像中的纹理特征，可以对环境质量进行评估和监测。
例如，通过分析水域表面的纹理特征，可以判断水质的清澈程度和水藻的分布情况。
三、遥感影像纹理分析的展望随着遥感技术的不断发展和遥感影像数据的不断增多，遥感影像纹理分析面临着以下几个方面的挑战和发展方向：1.大数据处理：随着遥感影像数据量的不断增加，如何高效地处理大规模遥感影像数据，提取出有效的纹理特征，并进行分析和应用，是一个亟待解决的问题。
遥感影像的变化检测与分析方法
遥感影像的变化检测与分析方法在当今科技飞速发展的时代，遥感技术凭借其能够获取大范围、多光谱、多时相的地表信息的强大能力，成为了众多领域中不可或缺的工具。
而遥感影像的变化检测与分析方法，更是在资源监测、环境评估、城市规划等方面发挥着关键作用。
遥感影像变化检测，简单来说，就是通过对比不同时期的遥感影像，找出其中发生变化的区域和特征。
这一过程就像是在玩“找不同”的游戏，但要复杂和精确得多。
为了实现准确的变化检测，首先得有高质量的遥感影像数据。
这些影像通常来自卫星、飞机等平台，包含了丰富的地物信息。
然而，在获取影像的过程中，可能会受到天气、传感器精度等因素的影响，导致影像存在噪声、几何变形等问题。
所以，在进行变化检测之前，需要对影像进行预处理，包括辐射校正、几何校正等操作，以提高影像的质量和一致性。
常用的变化检测方法可以大致分为基于像元的方法和基于对象的方法。
基于像元的方法直接对影像中的每个像素进行分析和比较。
其中，差值法是一种常见的思路，就是将两个时期的影像对应像素的灰度值相减，得到差值影像。
如果差值超过了一定的阈值，就认为该像素发生了变化。
这种方法简单直观，但容易受到噪声的干扰，而且对于光谱相似但实际发生变化的区域可能检测不出来。
相比之下，基于对象的方法则先将影像分割成不同的对象，然后再对这些对象进行变化检测。
这种方法考虑了地物的空间特征和上下文信息，能够更好地处理复杂的场景。
例如，面向对象的分类后比较法，先对不同时期的影像分别进行分类，然后比较分类结果，从而确定变化的区域。
除了上述方法，还有一些基于特征的变化检测技术。
这些特征可以是地物的形状、纹理、光谱特征等。
通过提取和比较这些特征，来判断是否发生了变化。
在进行变化检测之后，接下来就是对检测结果的分析。
这包括对变化区域的类型识别、面积计算、变化趋势预测等。
例如，在城市发展研究中，通过分析变化区域，可以了解城市扩张的方向和速度，为城市规划提供依据。
遥感图像纹理分析
纹理分析的应用
•目标识别、 •遥感图像分析 •医学图像分析 •基于生物特征的身份鉴定
遥感图像分析
• 在遥感图像中，陆地、 水域、小麦田、城市、 森林、山脉等也都具 有各自特定的纹理。
• 通过分析遥感图像的 纹理特征，可以进行 区域识别、森林识别 等。
纹理的分析方法
• 根据抽取纹理特征方法的不同，可以将图 像纹理分析大致分为四类：
• 这一定义要求通过统计方法实现对纹理的 描述。特别适用于那些仅显示出“随机自 然性质”的纹理图像。
• 图像的纹理特征可以用两种基本特征来描述， 即组成纹理的基元和基元之间的相互关系；
• 前者与局部灰度变化规律有关，它有一定的形 状和大小；后者则与由前者形成的空间结构相 关，基元的排列不同将会使图像的外观产生很 大的不同。
•统计分析法 •结构分析法 •模型分析法 •空间/频率域联合分析
统计分析法
• 在不知道纹理基元或尚未检测出基元的情况下对小区域 纹理特征的统计分布进行纹理分析，主要描述纹理基元 或局部模式随机和空间统计特征，以表示区域的一致性 及区域间的相异性。
• 统计分析法适用于纹理比较细且纹理基元排列不规则的 图像纹理（沙地、草坪等自然纹理图像）。
1、灰度共生矩阵(Gray Level Cooccurrence Matrix, GLCM )
• 灰度共生矩阵又称为灰度空间相关矩阵，是通 过研究灰度的空间相关特性来描述纹理的常用 方法.
• 它作为传统的图像纹理分析方法已广泛应用于 数字图像处理的许多领域，尤其是利用图像纹 理特征值所表征的图像空间结构信息来改善遥 感图像的地学目标分类效果。
空间/频率域联合分析法
• 主要是依据傅立叶频谱峰值所占的能量比 例将图像分类。
遥感影像处理中的纹理分析方法探讨
遥感影像处理中的纹理分析方法探讨遥感影像处理是一项重要的技术，可以提供大量的地理信息，用于环境监测、资源管理和城市规划等领域。
在遥感影像处理中，纹理分析方法是一种常用的技术，可以提取图像中的纹理信息，帮助我们理解和描述地物的特征。
本文将探讨一些常见的纹理分析方法，并介绍它们在遥感影像处理中的应用。
首先，我们来介绍一种常见的纹理分析方法——灰度共生矩阵（Gray LevelCo-occurrence Matrix，GLCM）。
灰度共生矩阵可以用来描述图像中不同像素对之间的灰度变化关系，从而提取纹理信息。
它基于一个假设，即相同纹理的像素对在图像中的分布应具有一定的统计规律。
通过计算灰度共生矩阵中的各种统计特征，如对比度、相关度、能量和熵等，可以得到图像的纹理特征。
灰度共生矩阵在遥感影像处理中有广泛的应用。
例如，在土地利用分类中，可以利用灰度共生矩阵提取不同土地类型的纹理特征，从而进行分类分析。
此外，灰度共生矩阵还可以用来检测图像中的纹理边界，帮助我们识别建筑物、道路等地物。
另一种常见的纹理分析方法是小波变换。
小波变换是一种时频分析方法，可以将图像分解为不同频率的子带图像，从而提取图像的纹理信息。
小波变换的特点是可以捕捉到图像的局部特征，对于纹理边界和纹理的细节描述具有较好的效果。
小波变换在遥感影像处理中也有广泛的应用。
例如，在地表覆盖变化检测中，可以利用小波变换提取图像的纹理特征，从而识别出不同时间段的遥感影像中地物的变化情况。
此外，小波变换还可以用于地物提取、遥感图像的增强等方面。
除了上述方法外，还有一些其他的纹理分析方法也值得关注。
例如，局部二值模式（Local Binary Pattern，LBP）是一种基于像素之间灰度差异的纹理分析方法。
LBP可以用来描述图像中不同像素点的灰度分布模式，从而提取纹理特征。
在遥感影像处理中，LBP可以应用于图像分类、目标检测等方面。
总结起来，纹理分析方法在遥感影像处理中起着重要的作用。
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。
遥感影像的图像处理与分析技术
遥感影像的图像处理与分析技术在当今科技飞速发展的时代，遥感技术已成为获取地球表面信息的重要手段之一。
遥感影像作为遥感技术的主要产物，包含着丰富的地理、生态、环境等方面的信息。
而如何对这些海量的遥感影像进行有效的图像处理和分析，以提取有价值的信息，成为了众多领域关注的焦点。
遥感影像的获取通常通过卫星、飞机等平台搭载的传感器完成。
这些传感器接收到的原始影像数据可能存在多种问题，如噪声干扰、几何畸变、辐射误差等。
因此，在进行后续的分析之前，必须对这些影像进行预处理，以提高数据的质量和可用性。
图像增强是遥感影像预处理中的一项重要技术。
它的目的是通过调整影像的对比度、亮度等参数，突出影像中的有用信息，增强图像的视觉效果，便于后续的分析和判读。
常见的图像增强方法包括直方图均衡化、线性拉伸、非线性拉伸等。
例如，直方图均衡化可以使影像的灰度分布更加均匀，从而增强图像的整体对比度；线性拉伸则可以根据用户设定的灰度范围，对影像进行有针对性的增强。
几何校正也是不可或缺的一步。
由于传感器的姿态、地球的曲率等因素，获取的遥感影像可能会存在几何变形。
通过选取地面控制点，建立影像与实际地理坐标之间的数学关系，可以对影像进行几何校正，使其能够准确地与地理信息系统中的其他数据进行匹配和叠加。
在完成预处理后，接下来就是对遥感影像进行分类。
分类的目的是将影像中的像元按照其特征划分为不同的类别，例如土地利用类型（如耕地、林地、建设用地等）、植被类型（如森林、草原、荒漠等）等。
传统的分类方法有基于像元的分类和基于对象的分类。
基于像元的分类方法，如最大似然分类法，是根据像元的光谱特征，计算其属于各个类别的概率，然后将像元划分到概率最大的类别中。
然而，这种方法往往忽略了像元之间的空间关系，在处理复杂的地物类型时可能会出现误分。
基于对象的分类方法则是先对影像进行分割，将具有相似特征的像元组合成一个对象，然后再对这些对象进行分类。
这种方法充分考虑了地物的空间特征和纹理信息，能够提高分类的准确性。
遥感影像分类的算法与精度评价方法探究
遥感影像分类的算法与精度评价方法探究随着遥感技术的发展和应用广泛，遥感影像的分类成为了研究的热点之一。
遥感影像分类是将遥感影像中的像素按照其地物类别进行识别和分类的过程。
在遥感影像分类中，算法的选择和精度评价方法的确定至关重要。
本文将探究遥感影像分类的算法和精度评价方法，并分析它们在实际应用中的优缺点。
一、遥感影像分类算法1. 基于像素的分类算法基于像素的分类算法是遥感影像分类中最常用的一种方法。
它将每个像素点作为独立的单元进行分类，通常使用的算法包括最大似然法、支持向量机和决策树等。
最大似然法是一种概率统计的算法，可以通过计算每个像素点的概率来确定其所属类别。
支持向量机利用样本点在特征空间中的位置来构建分类器，对于非线性可分的遥感影像分类效果较好。
决策树将遥感影像的特征按照一定的规则组织成树状结构，通过判断路径上的条件来确定像素的分类。
2. 基于对象的分类算法基于对象的分类算法是近年来兴起的一种分类方法。
它将相邻的像素点合并成对象，然后对这些对象进行分类。
与基于像素的分类算法相比，基于对象的分类算法考虑了空间上的相邻关系，可以更好地处理遥感影像中的纹理和边界信息。
基于对象的分类算法常用的有分水岭算法、区域生长算法和基于图的分割算法等。
二、遥感影像分类精度评价方法遥感影像分类精度评价是判断分类结果好坏的重要标准。
常用的精度评价方法包括混淆矩阵、准确度评价和Kappa系数等。
1. 混淆矩阵混淆矩阵是一种将分类结果与实际情况进行对比的方法。
它将分类结果按照实际类别进行统计，得到一个矩阵，其中每个元素表示分类结果中被正确分类到某一类的像素个数。
通过分析混淆矩阵可以得到不同类别的分类精度和错误分类情况。
2. 准确度评价准确度评价是计算分类结果准确率的一种方法。
准确率是指分类结果中被正确分类的像素数占总像素数的比例。
准确度评价方法可以根据分类结果中每个类别的像素数和正确分类的像素数来计算准确率。
3. Kappa系数Kappa系数是一种用来评价分类结果与实际情况一致性的方法。
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引言：纹理特征是遥感影像解译中的重要信息之一，可以提供有关地物和地表类型的详细信息。
纹理特征提取是利用图像处理和分析技术来定量描述和分析纹理特征的过程。
本文将介绍一些常用的纹理特征提取方法，并提供一些实践指南，以帮助研究人员和从业人员在遥感影像解译中更好地运用纹理特征。
一、纹理特征提取的方法1.统计特征提取法：统计特征提取法是最常用的纹理特征提取方法之一、它基于对图像区域的像素值统计进行分析，包括均值、标准差、方差、最值等统计量。
这些统计特征可以用来描述纹理的均匀性、粗糙度和细节等信息。
2.结构特征提取法：结构特征提取法是基于图像的空间结构进行分析的方法。
其中，灰度共生矩阵（GLCM）和灰度差异共生矩阵（GLDM）是常用的结构特征提取方法。
GLCM通过计算灰度级之间的相对位置关系，描述纹理的对比度、方向、平滑度等特性；GLDM则描述不同灰度级之间的寻找熵、对比度等特性。
3.频域特征提取法：频域特征提取法是将图像转换到频域进行分析的方法。
其中最常用的方法是对图像进行傅里叶变换，并计算其频谱特征。
频域特征能够提供关于纹理重复性和变化的信息。
4.模型特征提取法：模型特征提取法是利用数学模型对纹理进行建模，并从模型中提取特征。
其中，小波变换是常用的模型特征提取方法之一、小波变换能够捕捉到图像中的局部特征，提供更详细的纹理信息。
二、纹理特征提取的实践指南1.数据选择：选择与研究目标相关的高质量遥感影像数据进行分析。
确保数据清晰、分辨率适中，以获取更准确的纹理特征。
2.区域选择：选取具有代表性的区域进行分析。
遥感影像往往包含大量的信息，为了减少冗余和噪声，可以选择感兴趣的区域进行特征提取。
3.特征选择：根据研究目标选择适当的纹理特征。
不同的纹理特征可以提供不同的信息，因此需要根据需求进行选择。
4.参数设置：为提取特定纹理特征，需要根据实际情况设置合适的参数。
这些参数包括窗口大小、灰度级数量、邻域距离等。
- 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)。
1973年, H aralick 在 其文 章中 详细 列 举了 14 个灰度共生纹理矩阵特征并将其应用到图像的分类 中 [ 7] 。 A cqua 和 G am ba借助共生矩阵纹理分析方法 对意大利帕维亚城区的 ESR - 1像进行市中心、城
收稿日期: 2008 - 11- 08; 修订日期: 2009- 01- 30. 作者简介: 梁国军 ( 1983- ) , 男, 山西省朔州市人, 硕士研究生, 研究方向为植被生态学、景观生态学及 3 21卷
郊、市郊的分类提取, 通过对不同时相的 SAR 图像 分析结果表明对基于灰度分析法而言, 纹理分析法 可以提高分类精度 [ 8] 。 1 2 基于统计学的纹理分析方法研究
许漫坤提出了一种基于纹理谱直方图和自组织 特征映射网络的纹理分类方法。引入像素的八近邻 离散付氏变换, 随机选取局部纹理区域, 计算所选 纹理区域的纹理谱并量化得到谱直方图, 将其作为 自组织特征映射网络的特征模式输入并训练网络, 训练结束后的拓扑输出层对应于纹理的不同类别。 对纹理图像测试, 得到了良好的分类效果 [ 9 ] 。任仙 怡提出一种基于纹理谱特征分割纹理图像的方法。 它首次将纹理谱特征与区域生长算法结合起来, 从 而实现了无监督的纹理分割 [ 10] 。
应用纹理的具体方法就是进行纹理分析。纹理 分析指的是通过一定的图像处理技术抽取出纹理特 征, 从而获得纹理的定量或定性描 述的处理过程。 包括两方面的内容: 检测出纹理基元和获得有关纹 理基元排列分布方式的信息 [ 3 ] 。国内外对纹理分析
己经做了一些研究, 有些成果己具备初步的实用价 值。中国的纹理分析研究主要在某一种具体方法的 具体应用, 国外主要是对几种纹理分析方法提取的 纹理特征结合常规分类方法, 对不同的影像进行分 类比较 [ 4] 。对于空间复杂、光谱混 合的遥感影像, 将空间属性结合进分类, 精度可以得到提高 [ 5] 。早 在 1980年, sw itzer就将 邻域像元的平均 值输入到 最大似然法中, 将光谱维和空间纹理维一起进行分
上述方法的使用, 明显提高了遥感影像的分类 精度, 但是由于地物的组成以及空间分布的复杂性 和多样性, 使影像纹理分析不具有不变的模式和周 期性, 因此提出了分形几何纹理分析方法。
2 基于分形几何的多分辨率纹理分析
分形几何是 20世纪 70 年代 M andelbro t从非规 整几何的量测问题出发, 探索非线性复杂系统时创 立的新型理论。目前发展的分形几何打破了常规的 基于球体、柱体和立方体等规则的理想方式作为基 本描述单元的方法, 而以自然现象所特有的复杂、 粗糙、混乱的这些无规则的现象作为描述对象, 无 需假设研究对象具有好的连续性和光滑性。 2 1 分形几何纹理分析
虽然分形维数是描述纹理的一 个很好的特征, 但是单一分维数不能提供足够的信息描述和识别自 然纹理, 且误差较大。反应不出不同纹理的尺度差 异 [ 24] 。因此陆关祥、朱长青、朱述龙等人 提出了 基于小波变换的纹理分析方法, 能够更全面的反映 纹理的尺度特征。
3 基于小波变换的纹理分析识别
小波分析是 20世纪 80年代中期发展起来的应 用数学理论, 由于具 有良好 的时、 频局部 变化特 征、尺 度变化 等特征, 使得 在数据 压缩、边缘提 取、目标识别等众多方面取得了广泛的应用。小波 函数可以看作是一个带通滤波器的系统响应, 小波 变换将原始信 号用一 组多尺度 带通滤波 器进行滤 波, 将信号分解到多个频带上分析。 3 1 小波变换纹理分析识别
现有的基于分形模型的方法是以分数维 ( F ractal D im ension) 作为纹理 特征。分数 维是分形现象
第 21卷
梁国军等: 遥感影像纹理分析方法研究
95
最直接和最重要的特征, 它能够捕捉人类在感知复 杂物体 时的主要 定性信息, 并通过 分维值体 现出 来。基于分形的纹理特征的一个重要特点是具有尺 度不变性: 在一定范围内它独立于分辨率, 独立于 视角而稳定存在的物质表示量。这一特点非常适用 于遥感图象分类, 它使得从一种比例尺的遥感图像 中计算得到的分类特征, 在另一比例尺的遥感图像 中依然适用。 2 2 基于分形几何的纹理分析方法研究
小波变换进行纹理识别分析, 是将图像在正交 小波基上分解, 用一个多分辨率表示。多分辨率表 示提供了解释 图像信 息的一种 简单的分 层理论框 架。通常, 图像的纹理以不同的分辨率描述了图像 的不同物理结构, 在粗分辨率下, 这些纹理对应于 较大的结构, 并提供了图像的 范围 , 因此先用 粗的分辨率分析图像纹理, 然后逐渐提高分辨率。 可以达到很好的纹理分析效果。 3 2 小波变换的纹理分析方法研究
类, 提高纹理分析的精确性 [ 6] 。 提取影像的纹理特征, 可以推进影像解译的自
动化, 纹理分析可以帮助抑制同物异谱、异物同谱 的发生。目前遥感影像纹理分析的方法基本上分为 三大类: 即统计方法、结构方法和谱方法。
1 基于统计学的纹理分析方法
统计方法是研究较多、较成熟的方法, 是指在 不知道纹理基元或尚未监测出基元的情况下进行纹 理分析, 主要描述纹理基元或局部模式随机和空间 统计特征, 如自相关函数、共生矩阵、傅氏变换、 灰度级行程场、滤波模板、 G ibbs模型、马尔柯夫 随机场、自回归模型等。自 H ara lick于 1973提出灰 度共生矩阵之后, 成为应用最广泛的纹理统计分析 法, 已广泛应用于数字图像处理的许多领域, 尤其 是利用影像纹理特征值所表征的图像空间结构信息 来改善遥感图像的地学目标分类效果 [ 7] 。 1 1 基于统计学的纹理分析
姜青香提出基于分形几何学的纹理分类是以影 像纹理的分维值为最基本的分类依据, 影像分维值 不同则属于不同的纹理类型。应用影像分维值分类 的结果 表明, 综合 运用纹理 分析能 得到满意 的结 果 [ 19] 。吴高洪从估计 分数布朗运动的指 数入手阐 述自然纹理的新方法 自相关法。该方法利用纹 理来描述自然纹理。纹理分类实验表明, 自相关法 具有很好的描述自然纹理 的能力 [ 20] 。李 艳提出扩 展的自相似模型 ( ESS) 是一种广义的分数布朗运 动模型 ( FBM ) , 它的多尺度参数 H 与粗糙度之间 是对应的, 所以能够区分大多数自然纹理。由于小 波变换具有抑制噪声的能力, 由此导出的特征具有 更好的抗噪性能。实验证明对卫星遥感图像达到了 较高的分类正确率。同时也说明, 纹理的自相似特 性在低频分量上的体现更 突出 [ 21] 。吴均 提出了一 个在尺度空间提取特征的新方法, 它的特点是提取 尺度之间的依存关系, 而非尺度间的独立特征, 和 传统方法相比, 它更全面、更准确地刻画了纹理的 尺度特性。实验结果表明: 用基于尺度共生矩阵的 分类方法可以得到较好的 分类结果 [ 22 ] 。王娟提出 一种基于分形理论和改进模糊均值聚类的遥感图像 非监督分类方法, 该方法尝试将图像的光谱信息和 纹理特征相结合将图像进行主分量变换, 根据第一 主分量计算图像的布朗运动的各方向的分形维数, 差分盒维数和 /空隙等纹理特征作为 分类依据, 采 用改进的模糊均值聚类, 并用混淆矩阵方法评定分 类结果精度, 通过对试验区的分类试验, 说明该方 法对改善土地覆盖分类精度行之有效 [ 23] 。 2 3 基于分形几何纹理分析方法研究的不足
确 [ 14] 。林剑提出模糊分析的方法是 用均一表面不 确定性对原始图像进行模糊纹理滤波, 在滤波图像 上计算空间均一不确定性, 对不确定性进行模糊纹 理光谱分析, 其光谱曲线直观地反映了多光谱遥感 图像的纹理特征; 通过采用不同的测量窗口, 对不 同类别提取纹理样品进行实验。研究结果表明: 多 光谱遥感图像在小区域纹理特征不稳定, 不同波段 的纹理特征不同, 不同类别的最小测量区域不同; 模糊纹理分析的方法 可用于图像分割 [ 15] 。近几年 冯建辉通过计算图像像素的局部特征来分析空间的 灰度分布情况, 根据确定局部特征的像素数可以分 为一阶、二阶和高阶统计特性。从灰度图像计算出 灰度共生矩阵、能量、对比度、均匀度、熵等纹理 特征。当纹理基元很小并构成微纹理时, 统计方法 的效果较好 [ 16] 。周晖 首先从宏 观出发, 通过基于 二进制模板的纹理特征动态聚类形成地形地貌相同 或相似的区域分块, 之后再从微观着眼, 对每个区 域分块按照对应纹理类型区域的光谱特征分层次进 行再分 类, 从 而 使分 类结 果 更客 观、 更精 确 [ 17 ] 。 黄艳根据样本半变异值在较小范围内有较大变化的 特性, 研究遥感影像相邻象素之间的空间关系, 将 半变异值开始趋于恒值时所对应的步长作为纹理分 析的窗口大小, 并在纹理特征提取过程中针对每一 个像素, 在最大似然分类结果的约束下, 适时改变 窗口大小, 提取纹理特征, 利用二次开发环境有效 提高遥感影像的分类精度 [ 18] 。 1 3 基于统计学纹理分析方法研究的不足
纹理谱特征具有对方向性敏感等优点, 基于纹 理谱的纹理图像分割取得了良好效果。王东峰指出 图像中的纹理线条呈现出很多方向, 并随机地分布 在图像的各个位置, 傅氏变换可以将相同方向线条 的贡献叠加在一起, 集中反映在通过频谱中心垂直 于原线条方向的条带上。这一现象被称为傅氏变换 幅度谱的自配准性质。将其应用于图像的纹理辨识 和基于纹理的图像分割实验。结果表明, 得益于自 配准性质, 傅氏变换方法为一种有潜力的纹理分析 方法, 值得进一步扩展到更多的图像应用领域 [ 11] 。