改进的边缘角度直方图在遥感图像检索中的应用
遥感图像处理的图像增强和特征提取方法
遥感图像处理的图像增强和特征提取方法遥感图像处理是利用遥感技术获取和处理地球表面信息的一种方法。
在遥感图像处理中，图像增强和特征提取是两个重要的步骤。
本文将探讨遥感图像处理的图像增强和特征提取方法，并介绍其在实际应用中的重要性和挑战。
一、图像增强方法图像增强是通过改善遥感图像的质量和清晰度来提取更多有用信息的过程。
在遥感图像处理中，常用的图像增强方法包括直方图均衡化、滤波和增强算法等。
1. 直方图均衡化直方图均衡化是一种通过调整图像的亮度分布来增强图像对比度的方法。
它通过将图像的亮度值映射到一个更均匀分布的直方图来使图像的细节更加清晰。
直方图均衡化能够有效地提高图像的视觉质量，但在某些情况下可能会导致过度增强和失真。
2. 滤波滤波是一种通过去除图像中的噪声和不必要的细节来改善图像质量的方法。
在遥感图像处理中，常用的滤波方法包括中值滤波、高斯滤波和小波变换等。
这些滤波方法能够有效地降低图像的噪声和模糊度，提高图像的清晰度和边缘保持能力。
3. 增强算法增强算法是一种通过对图像进行像素级别的调整和处理来增强图像质量的方法。
常用的增强算法包括灰度拉伸、对比度增强和边缘增强等。
这些算法能够根据图像的特点和需求来调整图像的亮度、对比度和细节等，从而提高图像的视觉效果和信息提取能力。
二、特征提取方法特征提取是通过从遥感图像中提取和表示有用的信息和模式来分析和识别图像内容的过程。
在遥感图像处理中，常用的特征提取方法包括纹理特征提取、频谱特征提取和形状特征提取等。
1. 纹理特征提取纹理特征提取是一种通过分析图像中的纹理信息来描述和表示图像内容的方法。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式等。
这些方法能够有效地提取图像中的纹理细节和结构特征，用于图像分类、目标检测和地物识别等应用。
2. 频谱特征提取频谱特征提取是一种通过分析图像的频域信息来描述和表示图像内容的方法。
常用的频谱特征提取方法包括傅里叶变换、小波变换和高斯金字塔等。
基于边缘图和边缘方向的遥感图像检索
（ 黄河水利职业技术学院 ， 河南 开封 ４ ７ ５ ０ ０ ４ ）
摘 要 ： 介绍 了遥感图像检 索 中边缘特征 的不 同描述方 法。边缘特征 有两种类型 ： 一种是 边缘 图； 另一种是 边缘 方向。文中分别采用 目标 图像和纹理 图像对不 同的方法进行 了实验 ， 结果表明将 两种 边缘 特征结合 可以提 高检
图像 本身 的特点 和应用 需求 。
像 检索 中 。另 外 ， 由 于边 缘 图通 常 只包 括 一 个 单 个 像 素 的宽度 ， 它 提取 的特 征 比基 于 区域 的方 法 更 精 确 。边 缘
图特征 可 以分 为全 局 和局 部结 构 特征 。局 部结 构 特 征包 括不变 矩 和角 径 向分 区 等 。不变 矩 特 征 包 括 Ｈｕ不 变矩 ， 边界 不变矩 ， Ｚ ｅ ｒ ｎ ｉ ｋ ｅ不变 矩 和伪 Ｚ ｅ ｒ ｎ ｉ ｋ ｅ不变 矩 等 。 根据 不 同的划 分级 别 ， 角径 向分 区方 法分 为 两种类 型 ： 角 径 向分 区方 法 和 角 分 区方 法 。前 者 检 索 精 度 较 高 ， 而后 者相 对粗 糙 。局 部 结 构 特 征 包 括 Ｐ ｉ ｒ ｍ ｉ ｔ ｉ ｖ ｅ矩 ， Ｌ Ｂ Ｐ 等 。基于此 ， 可 以提取 多尺度 边缘 图 Ｐ ｒ ｉ ｍｉ ｔ ｉ ｖ ｅ矩 （ ＭＥ Ｐ Ｍ） 和 多尺度 边缘 图 Ｌ Ｂ Ｐ（ ＭＥ Ｌ Ｂ Ｐ） 特征。
Ｇｒ ａ ｐ ｈ ａ ｎ ｄ Ｅｄ ｇ ｅ Ｄｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ
Ｌ Ｉ Ｕ Ｇｕ ａ ｎ ｇ—ｓ ｈ ｅ，Ｔ ＡＮＧ Ｈｏ ｎ ｇ—ｍｅ ｉ
（ Ｙ ｅ ｌ ｌ ｏ ｗ Ｒ ｉ ｖ ｅ ｒ Ｃ ｏ ｎ ｓ ｅ ｒ ｖ ａ ｎ ｃ ｙ Ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｋａ ｉ ｆ ｅ ｎ ｇ ４ ７ ５ ０ ０ ４ ， Ｃ ｈ ｉ ｎ ａ ）
图像处理技术在卫星遥感图像分类中的应用效果
图像处理技术在卫星遥感图像分类中的应用效果随着卫星技术和遥感技术的不断发展，获取和处理卫星遥感图像成为了现代地球科学领域中重要的研究手段之一。
而图像分类是遥感图像处理中一个核心的任务，它的目的是将卫星遥感图像中的不同地物或环境元素进行划分和分类。
为了实现准确且高效的遥感图像分类，图像处理技术被广泛应用并取得了显著的效果。
一、图像预处理图像预处理是卫星遥感图像分类的第一步，它的主要目的是减少噪声、改善图像质量以及增强图像特征。
常见的图像预处理方法包括图像去噪、边缘增强、图像增强和图像分割等。
图像去噪是为了减少图像中的噪声干扰，在卫星遥感图像分类中，由于图像拍摄环境的复杂性和传输过程中的干扰，图像中常存在不同类型的噪声。
通过使用低通滤波器如均值滤波器或高斯滤波器，可以有效去除高频噪声，提高图像的质量。
边缘增强是为了突出图像中物体的轮廓和边界，在卫星遥感图像分类中，物体的形状和边界信息对于分类非常重要。
常用的边缘增强算法包括索贝尔、拉普拉斯和Canny等算法。
图像增强是为了改善图像的视觉效果和增强目标物体的特征。
通过灰度调整、直方图均衡化、对比度增强等方法，可以使目标物体在图像中更加明显和突出。
图像分割是将图像划分为不同的区域，以便更好地进行分类和分析。
在卫星遥感图像分类中，图像分割是一个非常重要的步骤，它可以将不同地物或环境元素从图像中提取出来，为后续的分类任务提供更准确的输入。
常见的图像分割方法包括阈值分割、区域生长、边缘检测和聚类分析等。
二、特征提取特征提取是将图像的内容转换为数值特征向量的过程，通过提取图像中的特征信息，可以将图像内容表示为计算机可处理的形式。
在卫星遥感图像分类中，有效的特征提取对于分类结果的准确性和稳定性起着重要的作用。
常见的特征提取方法包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过提取图像的颜色直方图、颜色矩和颜色统计信息来表示，它可以反映图像中不同地物的颜色分布情况。
基于边缘梯度方向直方图的图像检索
基于边缘梯度方向直方图的图像检索【摘要】图像检索是计算机视觉研究的热点问题之一。
首先对数字图像进行边缘检测；接下来对各个边缘点求其梯度；然后根据各个边缘点的梯度求得边缘梯度方向直方图；最后用街区距离进行相似性度量，实现图像检索。
仿真实验表明，本文提出的算法是一种有效的图像检索方法。
【关键词】边缘检测；图像检索；形状特征；边缘梯度方向直方图Image Retrieval Based on Edge Gradient Orientation HistogramYU Sheng XIE Li(Department of Physics and Information Engineering, Hunan University of Humanities, Science and Technology,Ｌoudi Hunan，41700０)【Abstract】Image retrieval is the has become the hot spot of computer vision. Firstly, we edge detection of digital image. Secondly, compute the gradient of the edge feature points. Thirdly, get the edge gradient orientation histogram base on the gradient of the feature points. Lastly, use city block distance to similarity measurement, implement of image retrieval. Simulation results show that, the proposed algorithm is an effective method for image retrieval.【Key words】Edge detection；Image retrieval；Shape feature；Edge gradient orientation histogram０引言基于内容的图像检索（Content Based Image Retrieval，CBIR）是当前计算机视觉领域研究的热点问题之一，其利用图像自身的形状、颜色和纹理等特征实现图像的自动检索，克服了基于文本的图像检索需要大量人工对图像进行文字标注的不足。
遥感图像处理的基本方法与算法解读
遥感图像处理的基本方法与算法解读一、引言遥感技术是通过人工卫星、航空器或其他遥感平台获得地球表面信息的一种手段。
遥感图像处理则是遥感技术的重要应用领域之一。
本文将介绍遥感图像处理的基本方法与算法，探讨其原理和应用。
二、遥感图像预处理遥感图像预处理是遥感图像处理的第一步，主要目的是去除图像中的噪声和干扰，提高图像的可用性。
常用的图像预处理方法包括边缘增强、直方图均衡化和空间滤波。
1. 边缘增强边缘增强是通过提升图像边缘信息的方法来提高图像质量。
其中常用的边缘增强算法有Sobel算子、Prewitt算子和Laplacian算子。
这些算子能够检测出图像中的边缘特征，从而使图像更加清晰。
2. 直方图均衡化直方图均衡化是一种通过调整图像亮度分布来增加对比度的方法。
通过对图像的灰度直方图进行变换，使得图像中的像素分布更加均匀，从而使得图像更加清晰和易于分析。
3. 空间滤波空间滤波是一种常用的图像平滑方法，通过对图像进行滤波操作，可以去除图像中的噪声和干扰。
常用的空间滤波算法有均值滤波、中值滤波和高斯滤波。
三、遥感图像分类遥感图像分类是根据图像中的像素值进行分类的过程。
常用的图像分类方法包括基于像素的分类和基于对象的分类。
1. 基于像素的分类基于像素的分类是一种将图像中的每个像素都分配到一个类别中的方法。
常用的基于像素的分类算法有最大似然分类算法、支持向量机和人工神经网络。
这些算法能够根据像素的特征进行分类，从而对图像进行分割和分析。
2. 基于对象的分类基于对象的分类是将图像中的相邻像素聚合成一组对象，然后根据对象的特征进行分类的方法。
常用的基于对象的分类算法有基于区域的分类和基于形态的分类。
这些算法能够更好地保留图像中的空间信息，从而提高分类的准确性。
四、遥感图像变化检测遥感图像变化检测是通过比较多幅遥感图像之间的差异，来检测地表发生的变化情况。
主要应用于城市规划、环境监测和资源管理等领域。
1. 基于像素的变化检测基于像素的变化检测是一种将多幅遥感图像像素级别进行比较的方法。
图像增强技术在遥感图像处理中的应用教程
图像增强技术在遥感图像处理中的应用教程遥感技术作为一种获取地球表面信息的手段，广泛应用于农业、城市规划、环境保护等领域。
然而，由于受到地球自然条件、拍摄设备等因素的限制，遥感图像常常存在一些问题，诸如噪声、光照不均匀等问题。
为了更好地从遥感图像中提取有用的信息，图像增强技术被广泛应用。
图像增强技术是指通过对原始图像进行一系列的处理，以改善图像的质量和可视化效果。
在遥感图像处理中，应用图像增强技术可以使图像更加清晰、明亮，并突出显示目标物体的特征，有助于进一步分析和应用。
下面将介绍几种常用的图像增强技术及其在遥感图像处理中的应用。
1. 噪声去除：噪声是由于成像设备的限制、传感器的干扰等因素引起的图像中的无用信息。
在遥感图像中，噪声会使图像变得模糊、失真，降低图像的可用性。
常用的噪声去除方法包括均值滤波、中值滤波和小波变换等。
这些方法能够有效地消除高斯噪声、椒盐噪声等，提升图像的质量。
2. 对比度增强：对比度是指图像中不同物体之间亮度差异的程度。
在遥感图像中，由于光照条件的变化，图像中的对比度常常不够明显。
对比度增强技术可以通过调整图像的灰度级分布，使图像中不同物体的亮度差异更加明显。
常用的对比度增强方法有直方图均衡化、拉伸变换和CLAHE（对比度限制自适应直方图均衡化）等。
3. 去雾处理：遥感图像中常常受到大气中的雾、烟尘等干扰，导致图像的可视化效果变差。
去雾处理技术可以通过估计大气光的强度和传播距离，消除图像中的雾霾效果，使图像更加清晰、真实。
常见的去雾处理方法有暗通道先验法、逆向辐射传输模型等。
4. 彩色增强：遥感图像中，彩色信息对于物体分类和目标识别至关重要。
彩色增强技术可以使图像更加饱满、生动，进一步提升图像的可视化效果。
常用的彩色增强方法有RGB增强、HSV变换和IHS变换等。
这些方法可以调整图像的颜色分量，使图像更加逼真、亮丽。
5. 图像融合：图像融合技术是将多个从不同传感器、角度或时间拍摄的遥感图像进行组合，形成一幅增强的图像。
遥感图像解译中的图像增强和分类技术介绍
遥感图像解译中的图像增强和分类技术介绍概述：遥感图像解译是指通过对遥感数据进行处理和解析，来获取地理信息的过程。
在这一过程中，图像增强和分类技术是至关重要的工具，可以提高图像质量和准确度。
本文将介绍遥感图像解译中的图像增强和分类技术的原理和应用。
一、图像增强技术图像增强技术是指通过对原始遥感图像进行处理，改善图像质量的方法。
1. 直方图均衡化直方图均衡化是通过变换图像的灰度级分布，增强图像的对比度和亮度。
该方法适用于单一场景中的图像。
通过对原始图像中每个像素的像素值进行统计，可以得到图像的灰度级分布。
根据统计分布，可以将原始图像中的灰度级重新映射，使得图像的灰度级分布更均匀。
这样可以增强图像的对比度，使得图像中的目标更加清晰可见。
2. 滤波技术滤波技术通过对图像进行空域或频域的滤波处理，来改善图像的质量。
常用的滤波方法包括线性滤波和非线性滤波。
线性滤波方法包括均值滤波、中值滤波等，主要用于降噪和平滑图像。
非线性滤波方法包括边缘增强滤波、退化滤波等，主要用于增强图像的边缘信息。
3. 多尺度分析多尺度分析是一种基于图像的不同尺度表示，来提取图像不同层次特征的方法。
常用的多尺度分析方法包括小波变换、尺度空间分析等。
通过对不同尺度下的图像进行处理和分析，可以获得更全面的图像信息。
这些信息可以用于图像分类和目标检测等应用。
二、图像分类技术图像分类技术是将遥感图像中的像素点或图像区域划分为不同的类别的过程。
图像分类是遥感图像解译的关键步骤，它可以帮助我们理解和分析图像中的地物信息。
1. 监督分类监督分类是一种通过人工标签指定不同类别的样本进行训练的分类方法。
在监督分类过程中，我们首先需要选择一种合适的分类算法，如支持向量机（SVM）、决策树、人工神经网络等。
然后，根据已标注的样本，使用分类算法进行训练和分类预测。
监督分类方法适用于有充足样本且具有明显特征的图像。
2. 无监督分类无监督分类是一种不依赖于人工标签的分类方法。
《遥感原理与应用》实验报告——直方图修正
实验名称：直方图的修正一、实验内容1、对影像进行直方图的均衡化；2、利用另外一幅影像进行直方图的匹配；3、利用直方图统计功能对结果进行分析。
二、实验所用的仪器设备遥感处理ENVI软件，遥感影像bhtmref.img文件三、实验原理图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。
其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。
图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。
本次实验以直方图的均衡化和规定化的方法为主要内容。
1、图象灰度的直方图：横坐标为灰度级，纵坐标为概率建立的图形2、直方图的修正包括：1直方图均衡化 2直方图规定化直方图的均衡化又称平坦化，是将一已知灰度概率密度分布影像，经过某种变换，变成一幅具有均匀灰度概率密度分布的新影像，其结果是扩大了象元取值的动态范围；直方图均衡化后的效果：：①各灰度级所占图像的面积近似相等。
②原图像上频数小的灰度级被合并，频数高的灰度级则保留且不能被分割，因此可以增强图像上大面积地物与周围地物的反差。
③当输出数据分段级较少时，则会产生一些大类地物的大致近似的轮廓。
直方图的规定化是指将原始影像调整到事先规定的已知的形状，以此来对原始影像特定灰度范围进行增强处理。
四、实验步骤1.打开envi 软件，依次选择TM Band 4 ,TM Band3, TM Band 2得到该影像的标准假彩色合成图像，如图一所示：图一图二2、在Basic tools 里选择 statistics → computer statistics → Spectral Subset 选择4、3、2波段→勾选 covariance 、histogram 、output to a statistics (.sta)、output to a Text Report File (.txt)得到直方图及其计算数据如图二所示：由图二的直方图可看到每个灰度级的分布状况，并且有以下数据统计（在输出的txt文件中查看）(二)对bhtmref影像进行均衡化，并与原始图像进行对比1、选择enhance → [image]equalization 得到图像三save image as image file (equ_b.img）→open image file →在available bands list 中依次选择bhtmref1 的4、3、2波段→display #2→new play →load图三图四2、将bhtmref1 重复（一）的步骤得到均衡化后的直方图如图四所示由图四均衡化后的灰度直方图可得到以下数据对比分析：①均衡化后的图像比原始图像轮廓更为清晰，大面积地物与周围地物仍然存在强烈反差，影像效果更加明显。
卫星遥感影像处理的常用方法
卫星遥感影像处理的常用方法随着卫星遥感技术的不断发展和应用，卫星遥感影像处理已经成为了解地球表面特征和环境变化的重要手段。
在这个过程中，常用的方法及算法起到至关重要的作用。
本文将介绍几种常见的卫星遥感影像处理方法，包括图像增强、分类与识别、变化检测、目标提取等。
一、图像增强图像增强是改进和优化遥感影像质量的一种方法。
常用的图像增强方法包括直方图均衡化、滤波、拉普拉斯变换等。
直方图均衡化通过对图像的灰度直方图进行调整，使得图像的灰度分布更加均匀，从而增强图像的对比度。
滤波方法通过对图像的像素值进行平滑或增强，使图像更加清晰和易于分析。
拉普拉斯变换则用于边缘检测，通过计算图像中像素灰度的二阶导数，实现对图像边缘的提取。
二、分类与识别分类与识别是卫星遥感影像处理中的一个重要环节。
它可以将遥感影像中的像素分为不同的类别，从而实现对地面特征的解译和分析。
常用的分类与识别方法包括监督分类、非监督分类和目标识别等。
监督分类是根据已知类别的训练样本进行分类，其分类准确度较高。
非监督分类是根据像素之间的相似性进行分类，但需要人工干预进行分类结果的解释。
目标识别则是通过特定的算法和规则，自动提取出遥感影像中的目标对象。
三、变化检测变化检测是比较两幅或多幅遥感影像之间的差异，以检测出地表特征和环境变化的方法。
常用的变化检测方法包括基于差异图的像素级差异检测、基于时间序列的统计分析以及基于分类方法的变化检测等。
像素级差异检测是通过计算两幅影像中像素灰度的差异值，来获得地表特征的变化信息。
时间序列分析则是基于多幅影像的时间序列数据进行统计分析，以检测出地表特征的长期变化趋势。
基于分类方法的变化检测则是通过对两幅影像进行分类，从而实现对影像中的变化区域的提取。
四、目标提取目标提取是将图像中的目标对象从背景中分割和提取出来的方法。
常用的目标提取方法包括基于阈值分割、基于纹理分析和基于形态学运算等。
阈值分割是通过设定不同的阈值来将影像中的目标与背景分离，但其结果受噪声的影响较大。
遥感图像处理技术研究及其应用
遥感图像处理技术研究及其应用随着卫星技术的不断发展，遥感技术被广泛应用于农业、环境监测、城市规划和自然资源管理等领域。
遥感图像处理技术是遥感数据处理的重要环节，其主要任务是从遥感数据中提取有用的信息，并进一步分析和应用这些信息。
本文将从遥感图像处理技术的基本原理、常用方法和应用领域等方面进行论述。
一、遥感图像处理技术的基本原理遥感图像处理技术是基于遥感图像获取的原始数据进行处理和分析，最终得到有意义的结果。
遥感图像的处理包括预处理、增强、分类和组合等过程。
预处理是指在处理图像之前对原始数据进行一系列的处理操作，以提高数据质量和减少数据中的噪声。
常用的预处理方法包括辐射校正、大气校正和几何校正等。
增强是指对遥感图像的颜色、对比度等进行调整，以获得更好的视觉效果和更准确的数据。
增强方法包括灰度拉伸、直方图均衡化和滤波等。
分类是指利用计算机算法将遥感图像分为不同的类别，以便进行不同的分析，常用的分类方法包括聚类分析、最大似然分类和支持向量机分类等。
组合是指将不同波段的遥感图像进行组合，以获得更多的信息。
常用的组合方法包括主成分分析和合成变换等。
二、常用的遥感图像处理方法1、主成分分析主成分分析是一种常用的多波段遥感图像处理方法，其基本思想是通过线性变换将原始图像转换为新的图像，使得新图像的各个波段间无相关性，并且前几个新波段中大部分的信息都由一个波段贡献。
主成分分析可以大大降低遥感图像的冗余和多样性，提高图像的信息含量和分类精度。
2、支持向量机分类支持向量机分类是一种常用的基于机器学习的遥感图像分类方法，其主要思想是通过构建一个合适的超平面将不同类别的数据点区分开来。
支持向量机分类具有分类精度高，适用范围广等优点，并已得到了广泛的应用。
3、地物覆盖分类地物覆盖分类是遥感图像处理中常用的方法之一，其主要目的是将图像中的各个要素划分为不同的类别。
地物覆盖分类可以应用于土地利用、植被覆盖、水体分布等研究中，并且其分类结果可以为农业、环境保护等多个领域提供支持。
- 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)。
此外 , 由于图像的旋转会给边缘角度直方图带来圆平
移 (Circle Shift) , 可以采用 Fourier变换消除这种影响 [4 ] 。
图 4中分别显示的是原始图像与其旋转 90°后图像的边缘角
度直方图和 Fourier变换结果 。图 4c和图 4d中的直方图均
有两个明显的峰值 , 大约在 11°和 29°附近 , 但是两个峰值
图 4 改进的边缘角度 直方图效果展示
统计距离和相似夹角余弦作为相似性测度进行检索效果比
较显著 。本文除了采用这两种相似性测度之外 , 为了验证
相似性测度对检索性能的影响 , 引入了直方图相交法和相
对熵法 , 并将它们的检索性能进行了比较 , 比较结果列于
表 1和表 2中 。
411 直方图相交法
直方图相交法定义两幅图像之间的相似性为 :
dqp
=
V
(m q
‖V
(m q
)
· )
V
(m p
)
‖‖V
(m p
)
‖
(5)
其中 ,
V
ቤተ መጻሕፍቲ ባይዱ
(m q
)
= Vq - mean (Vq ) ,
V
(m p
)
= Vp - m ean (Vp ) ,
Vq 为查询图像的直方图特征向量 , Vp 为目标图像的直方图
特征向量 。这里 dqp数值的大小反映的是两幅图像之间的相
【摘 要 】针对基于形状的遥感图像检索中区域分割困难这个问题 , 本文提出利用边缘角度直方图作为形状特征 对遥感图像进行检索 ; 针对遥感影像分辨率和颜色反差对检索性能的影响 , 本文提出采用多尺度分析的思想 , 提 取图像在多个尺度上的边缘角度直方图特征进行检索 。通过单一尺度边缘角度直方图特征和多尺度边缘角度直方 图特征检索的对比实验 , 揭示了本文所提出的改进方案使遥感图像的检索精度提高了约 31个百分点 。 【关键词 】边缘角度直方图 ; 基于内容的图像检索 ; 多尺度边缘检测 ; 遥感 【中图分类号 】TP23713 【文献标识码 】A 【文章编号 】100922307 (2008) 0620070203
形状检索有两种策略 , 一种是基于局部形状特征的图 像检索 ; 一种是基于全局形状特征的图像检索 。基于局部 形状特征的图像检索首先要对图像进行分割 , 提取具有某 种一致属性的目标区域 , 分别描述每一区域的形状特征 , 然后再考虑这些目标区域之间的空间位置关系 。文献 [ 1, 2 ] 采用的就是这种方法 , 但是目前这种方法能够处理的图
DO I: 1013771 / j1 issn1100922307120081061023
1 引言
随着空间遥感技术的发展 , 遥感图像已成为人类获取 信息的重要数据源 。然而遥感图像具有数据量大 , 更新速 度快的特点 , 因此 , 随着时间的积累 , 遥感图像数据库容 量急剧膨胀 , 这就使得难于对隐含其中的目标或信息进行 查找和利用 。建立一套行之有效的遥感图像检索方法 , 是 目前对遥感图像进行信息提取的前提和基础 。传统的图像 检索方式是基于文本关键词的图像检索 。这种方法主要是 通过对图像加注反映图像特征的文本关键词来实现对其进 行检索的目的 。从开销方面说 , 对如此海量的图像数据进 行注记是一项非常繁杂的工作 ; 从全面性来讲 , 一方面 , 文本并不能全面地描述图像所蕴涵的内容 , 另一方面 , 文 本注记具有一定的主观性 , 不同的人对同一幅图像做出的 注记并不一定相同 。为了弥补文本关键词图像检索的不足 , 诞生了基 于内 容 的 图 像 检 索 ( CB IR, Content2 Based Image Retrieval) 方法 , 它主要利用图像的可视化特征来达到图像 检索的目的 。比较而言 , CB IR 能够更为客观地反映图像所 蕴涵的内容 。因此 , CB IR 成为目前图像检索的研究热点 。 基于内容的图像检索的基础就是使用图像内在的各种特征 ( 如颜色 、纹理 、形状等 ) 来区别各个图像 , 比较图像中这些 特征之间的相似程度 , 最终达到检索到目标图像的目的 。 其中 , 形状是空间实体对象所固有的特征 , 不易受到其他 因素的影响 。利用形状特征来检索图像可提高检索的速度 以及检索的准确性 。例如 , 在遥感图像中 , 对于道路 、河 流等线性地物以及房屋 、农田等具有相对规则形状的地物 , 使用形状特征进行检索能取得良好的效果 。
的次序发生了颠倒 。然而 , 在图 4e和图 4f中同样存
在两个明显的峰值 , 分别位于 1°和 35°附近 , 此时两
个峰值的次序一致 。通过上面的描述 , 我们可以了解边缘
角度直方图特征提取
的具体实现方法 , 整 个过程的实现步骤总
结如下 : ①根据公式 (2) 获取彩色图像 的亮度分量 ; ②利用 高斯滤波器建立原始
2 多尺度边缘检测
211 遥感图像的多尺度表示 为了提高检索的准确性 , 我们在多个尺度上描述图像
的边缘特征 。图像多尺度表示的基本思想是 : 把原图像嵌 入到一族从原图像导出的
含有一个自由参数的图像
中去 , 以使得这族图像是 对多尺度观测 的 一 个 仿
真 , 如图 1所示 。 由于高斯函数作为卷
图 2显示的是利用高斯滤波器作用于一幅真实遥感图 像所产生的多尺度图像数据 。
图 2 第 0层到第 4层高斯滤波器滤波结果
212 不同尺度上遥感图像的边缘检测 Canny算子作为性能优良的边缘检测算子具有抑制局部
最大特性 , 通过采用双阈值的策略在过滤噪声的同时保留 了图像中的主要边缘特征 。本文利用 Canny算子提取多尺 度表示的遥感图像每一尺度下的边缘特征 。图 3 显示的是 图 2中多尺度表示的遥感图像边缘检测的结果 。
①线性性 : 卷积是一个线性算子 ; ②因果性 : 如果把 零交叉点作为图像特征 , 则图像的特征的个数随着 t的增 加是非增的 ; ③半群性质 : 令 S t = S 2t , 对算子 S t , 有 S t1 ° S t2 = S t1 + t2 , 并且 S0 = S0 = Id; ④高斯滤波器很容易推广到
作者简介 : 王仁礼 ( 19602) , 男 , 山东 招远人 , 教授 , 硕士生导师 , 主要从 事摄影 测 量 与 遥 感 、遥 感 动 态 监 测 、 航天遥感工程等方面的研究 。
E2mail: wangrenli@ vip1 sina1com
收稿日期 : 2008206226 通讯作者 : 郝玉保 E2mail: herrybob @ sohu1com
第 33卷第 6期 2008年 11月
测绘科学 Science of Surveying and M app ing
Vol133 No16 Nov1
改进的边缘角度直方图在遥感图像检索中的应用
王仁礼 ① , 郝玉保 ②③ , 顾立娟 ④
( ①河海大学水资源环境学院 ,南京 210098; ②信息工程大学 测绘学院 , 郑州 450052; ③75719部队 , 武汉 430074; ④国家数字交换系统工程技术研究中心 , 郑州 450002)
第 6期 王仁礼等 改进的边缘角度直方图在遥感图像检索中的应用
71
2维 , 而且 2维的高斯函数是旋转对称的 。对图像和高斯滤 波器的离散后就得到离散的尺度空间 , 并可推广到 2 维 。 由于高斯尺度空间理论简单 , 并且有快速算法 , 所以是使 用最广泛的尺度空间 。
像数据有特殊要求 , 要么图像的背景一致均匀且目标单一 ; 要么目标轮廓鲜明极易与背景区分 。基于全局形状特征的 图像检索不需要进行区域分割直接提取图像整体形状信息 , 由于图像的边缘包含有丰富的形状信息 , 因而基于全局形 状特征的图像检索通常利用图像边缘获取图像中所包含的 形状信息 , 文献 [ 3～5 ] 就是采用的此种方法 。通过对遥 感图像特点的分析 , 遥感图像具有内容丰富 , 背景不一致 , 目标与背景不易区分等特点 , 所以采用区域分割的方法提 取图像的形状特征的方法显然不可取 。为了保证所获取的 特征具有旋转 、缩放 、平移不变性 , 本文提出了一种基于 边缘角度直方图特征的遥感图像检索方式 。由于遥感图像 边缘检测结果中可能存在大量虚假边缘 , 使得直方图特征 变得平缓 , 降低了检索的精度 。本文借鉴多尺度分析思想 , 在多个尺度上提取图像的边缘特征 , 使得检索精度有一定 程度的提高 。
似性 , 为了使其和距离表示法一致 , 故将其取反 。
412 相对熵
两幅图像的相对熵定义如下 :
D ( x‖y)
n
= i∑=1 xi log
xi yi
n
n
当 i∑= 1 xi = i∑= 1 yi = 1
其中 , x表示查询图像直方图特征向量 ,
像的直方图特征向量 。
(6) y表示目标图
[ 0°, 180°]:
θ( x, y) =θ( x, y) ×180 /π + 90
(4)
为了简化表达和减少运算量 , 可以降低边缘直方图的
柄数 , 把 θ( x, y) 线性化到 [ 0°, 36°]。用直方图统计边
缘方向值 θ并归一化 , 得到一维的边缘直方图 H [ 0…36 ] ,
H是图像边缘特征匹配的依据 。
+ 2f ( x + 1, y) - f ( x - 1, y + 1) + f ( x + 1, y - 1) ( 3)
计算梯度方向 : θ( x, y) = arctan ( dy / dx) , 利用 ( 4) 式
把 θ( x, y) 由弧度转化成度 , 并从 [ - 90°, 90°] 转化到
积核生成的尺度空间是目
图 1 图像的多尺度表示
前最完善的尺 度 空 间 之
一 , 下面重点介绍一下高斯多尺度空间的理论 。