遥感影像信息提取的方式
如何利用遥感数据进行测绘数据的提取
如何利用遥感数据进行测绘数据的提取遥感技术是一种通过卫星、飞机和无人机等远距离获取对象信息的技术手段。
利用遥感数据进行测绘数据的提取，可以为地理信息系统、城市规划、环境监测、农业管理等领域提供准确、高效的数据支持。
本文将探讨如何利用遥感数据进行测绘数据的提取。
一、遥感数据的获取与处理1. 遥感数据的获取方式遥感数据的获取方式包括卫星遥感、航空遥感和无人机遥感等。
卫星遥感是通过卫星对地观测，获取大范围的地表信息；航空遥感是利用航空器对特定区域进行遥感观测，数据分辨率较高；无人机遥感则是利用无人机进行遥感观测，可以获取更高分辨率的数据。
2. 遥感数据的处理流程遥感数据处理流程包括预处理、数据影像处理和数据提取等步骤。
预处理主要包括辐射校正、大气校正和地形校正等，以保证数据的准确性。
数据影像处理主要包括图像增强、图像融合和图像分类等，以提取出感兴趣的对象信息。
数据提取是利用图像处理结果，从中提取出需要的测绘数据，如道路、建筑物、水域等。
二、遥感数据在测绘中的应用1. 遥感数据在地图制作中的应用遥感数据在地图制作中可以提供地表物体的准确位置、形状和属性信息。
通过图像分类和对象提取等技术，可以从遥感数据中提取出各类地物信息，如道路、建筑物、水域等，用于地理信息系统和城市规划等领域。
2. 遥感数据在地形测量中的应用遥感数据可以提供地表高程信息，用于地形测量和三维地图制作。
通过遥感图像的几何纠正和数字高程模型的生成，可以获取地表的高程数据，用于地形分析、地质调查和水资源管理等。
3. 遥感数据在农业测量中的应用遥感数据在农业测量中可以提供农作物的生长状态、受灾情况和产量预测等信息。
通过遥感图像的特征提取和分类，可以监测农作物的种植面积、植被指数和土壤湿度等参数，用于农业管理和精准农业。
三、遥感数据提取测绘信息的方法1. 监督分类法监督分类法是常用的遥感数据提取测绘信息的方法之一。
该方法需要预先准备训练样本，并通过机器学习算法训练分类器，然后应用分类器对整个遥感图像进行分类，提取出感兴趣的测绘信息。
遥感影像信息提取方法研究
测绘技术中的遥感数据的获取与处理方法
测绘技术中的遥感数据的获取与处理方法遥感技术在测绘领域的应用日益广泛，其能够获取大范围、高分辨率的地表信息，为地理空间数据的获取和处理提供了有力支持。
本文将探讨测绘技术中遥感数据的获取与处理方法。
一、遥感数据的获取遥感数据的获取主要通过卫星、飞机等载体，采集地球表面的电磁辐射信息。
卫星遥感数据具有广覆盖、周期性获取、持续监测等优势，而航空遥感数据则具有高分辨率、重复性强等特点。
1. 卫星遥感数据的获取卫星遥感数据的获取通常分为光学遥感和微波遥感两类。
光学遥感通过装载在卫星上的传感器，记录地表反射、发射和散射的光谱信息，推测出地表特征。
而微波遥感则利用微波辐射与地表物质的相互作用，获取地表的散射、吸收和反射等信息。
2. 航空遥感数据的获取航空遥感通过飞机搭载的传感器，采集地表的高分辨率影像数据。
航空遥感数据获取灵活，能够根据需要选取特定区域进行拍摄，获取更精确的地理信息。
二、遥感数据的处理方法遥感数据处理是对获取的原始遥感数据进行预处理、分类、提取等工作，以获得具有科学和实用价值的产品和信息。
1. 遥感数据的预处理遥感数据的预处理主要包括几何校正、辐射校正和大气校正等。
几何校正校正了数据获取过程中的几何变形，使其与地球表面实际对应；辐射校正消除了传感器自身的误差和对地球表面的辐射强度；大气校正则通过模型和反演方法消除大气对遥感数据的扰动。
2. 遥感数据的分类遥感数据的分类是将遥感图像中的像元分成不同的类别，常用的分类方法包括有监督分类和无监督分类。
有监督分类通过已知的训练样本进行分类器训练，然后将分类器应用于整个图像；无监督分类则不需要先验知识，通过聚类方法将图像像元自动分类。
3. 遥感数据的特征提取遥感数据的特征提取是从遥感图像中提取出地物的特征属性，如形状、纹理、光谱等。
特征提取可以利用像元级的单一特征或多特征组合进行，常用的方法有主成分分析、小波变换、纹理分析等。
4. 遥感数据的信息提取遥感数据的信息提取是根据特定的需求，通过应用特定的算法，提取出地物的相关信息。
使用遥感影像进行地理数据提取的技巧
使用遥感影像进行地理数据提取的技巧遥感影像是一种获取地球表面信息的重要技术手段，可以为地理数据提取提供丰富的信息基础。
然而，由于遥感影像涵盖的空间范围广阔、数据量庞大，如何运用有效的技巧进行地理数据提取成为了研究的重点。
首先，合理选择影像类型是进行地理数据提取的基础。
根据研究的目的和需求，我们可以选择不同类型的遥感影像，如光学影像、合成孔径雷达(SAR)影像等。
光学影像适用于获取地表颜色、植被分布、水体分布等信息，而SAR影像则可以提供地表高度、土壤含水量等细微信息。
因此，在进行地理数据提取之前，我们应该详细了解影像类型的特点，从而选择适合的影像。
其次，了解地物识别技术是进行地理数据提取的关键。
地物识别是指通过遥感影像中的特征进行对象识别和分类。
常用的地物识别技术包括基于像元的分类和基于对象的分类。
基于像元的分类通过对像元进行光谱分析，将像元划分为不同的类别，如水体、植被、建筑等。
而基于对象的分类则是将像素聚类为连续的对象，再对对象进行分类。
这两种方法都有各自的优势和适用场景，研究者可以根据实际情况选择合适的地物识别技术。
另外，影像预处理是进行地理数据提取的重要环节。
由于遥感影像受大气、地表反射率等因素的影响，其数据质量常常需要进行校正和增强。
常见的影像预处理方法包括大气校正、辐射校正、几何校正等。
通过预处理的过程，可以降低影像噪声、改善影像清晰度，为后续地理数据提取提供更准确的数据基础。
此外，结合地理信息系统(GIS)技术也是提高地理数据提取能力的有效途径。
GIS技术可以辅助遥感影像的处理和分析，提供空间信息和属性信息的关联、查询和分析功能。
通过将遥感影像与地理数据进行融合，可以更好地理解和利用遥感影像中的地理数据。
例如，可以将遥感影像与地理数据进行叠加，生成多维数据，实现更丰富的信息提取和分析。
最后，不断学习和更新遥感影像处理技巧也是提高地理数据提取效果的关键。
随着科技的进步和数据获取手段的不断改进，遥感影像处理技术也在不断更新和发展。
如何利用遥感影像进行地形高程信息提取
如何利用遥感影像进行地形高程信息提取引言：随着科技的不断进步和遥感技术的发展，利用遥感影像进行地形高程信息提取已经成为地球科学研究中不可或缺的一部分。
通过遥感技术，我们可以获取到地球表面的影像数据，然后利用这些数据进行地形高程信息的提取和分析。
本文将介绍如何利用遥感影像进行地形高程信息提取，并探讨其中的原理和技术方法。
一、遥感影像的获取遥感影像是通过航空或卫星传感器对地球表面进行感知和测量，获取到的图像数据。
遥感影像可以提供大范围、连续性的地表信息，具有分辨率高、重访率高的优点。
常见的遥感影像包括卫星影像和航空影像。
卫星影像是由各种地球观测卫星收集的数据，具有广覆盖、频率高的特点。
常见的卫星有Landsat、MODIS等，它们可以提供高分辨率的多谱段影像数据。
航空影像则是通过航空器对地表进行拍摄而获得，一般具有较高的分辨率和空间分辨率。
卫星影像适合用于大面积地形高程信息提取，航空影像适合用于对个别区域进行高程信息提取。
二、地形高程信息提取的原理地形高程信息提取是指通过遥感影像数据获取到地表不同位置的高程信息。
地形高程信息提取的原理是利用遥感影像中的光谱、纹理和几何等信息，结合数学模型和算法来重建地形表面。
常用的地形高程信息提取方法包括数字高程模型(Digital Elevation Model，DEM)的生成。
DEM是以数值形式表示不同区域的地表高程信息的一种地理信息系统数据模型。
通过对遥感影像进行处理，可以获取到DEM数据，进而利用DEM数据进行地形高程的分析和提取。
DEM数据常通过插值算法进行生成，得到地表的高程信息。
三、地形高程信息提取的技术方法1. 影像预处理地形高程信息提取之前，首先需要对遥感影像进行预处理。
这包括影像校正、辐射定标和几何纠正等步骤。
影像校正是指根据传感器和大气条件对影像进行校正，消除辐射误差；辐射定标是指将影像数字值转化为反射率或辐射率；几何纠正是指将影像与地理坐标系统进行匹配，以确保影像与地面位置对应。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
如何利用遥感影像进行测绘数据提取
如何利用遥感影像进行测绘数据提取遥感技术是一种通过无人机或卫星获取地球表面信息的方法，通过对遥感影像进行分析和解译，可以提取出大量的地理信息数据，并应用于地质学、土地利用规划、城市建设等领域。
本文将探讨如何利用遥感影像进行测绘数据的提取，以及其在实践中的应用。
1. 遥感影像的获取与处理遥感影像的获取可以通过无人机或卫星来进行。
无人机可以实现低空高分辨率的影像获取，而卫星则能够实现广域和全球尺度的遥感影像获取。
在选择遥感影像时，除了要考虑空间分辨率和时间分辨率外，还需要根据实际需求选择多光谱、高光谱或合成孔径雷达等传感器。
在获取到遥感影像后，需要进行一系列的处理。
首先是影像预处理，包括大气校正、辐射校正和几何校正等步骤，以保证影像数据的准确性和一致性。
然后是遥感影像的分类与解译，可以使用基于像元或目标的分类方法，识别出不同地物类型。
2. 测绘数据的提取方法遥感影像提供了丰富的地理信息，其中包括地物边界、地物类型、地表高度等数据。
在进行测绘数据提取时，可以采用以下几种方法：(1) 物体提取：通过遥感影像的边界检测和分割算法，提取出不同地物的轮廓信息。
这可以应用于道路、河流、建筑物等地物的提取与识别。
(2) 高程数据提取：通过遥感影像的立体像对或多光谱图像，可以进行地表高程的提取与测量。
其中，基于立体像对的视差匹配方法可以得到地表高程数据，而多光谱数据则可以进行数字高程模型(Digital Elevation Model, DEM)的生成。
(3) 地物分类与变化检测：遥感影像中的地物可以通过基于像元的分类方法进行提取。
利用不同波段的光谱信息，可以将遥感影像中的像素根据其光谱特征归类为不同物体类型。
此外，通过对多期遥感影像进行比较，还可以检测出地物的变化信息，如城市扩张、森林变化等。
3. 遥感数据在实践中的应用测绘数据的提取是遥感技术的一个重要应用领域。
遥感影像提供了大量的地理信息数据，可以用于土地利用规划、环境监测、城市建设等方面。
遥感影像的解译与测绘数据提取方法
遥感影像的解译与测绘数据提取方法遥感技术是一种通过航空器或卫星获取地表信息的技术手段。
遥感影像可以提供大范围、高分辨率的地表信息，因此在测绘与地理信息系统领域有着广泛的应用。
而解译遥感影像和提取测绘数据是遥感技术的重要组成部分。
解译遥感影像是将影像中的物体和地貌进行分类并提取出有用信息的过程。
这是一项复杂而繁琐的工作，需要深入理解遥感影像的特点和不同对象的影像表现。
首先，解译遥感影像需要熟悉不同光谱波段的反射特性。
遥感影像包含红外、可见光等波段的信息，这些波段对不同物体有不同的反射率。
因此，在解译过程中，需要根据不同波段的反射率以及物体的光谱特征来判断影像中的物体类型。
其次，解译遥感影像还需要考虑地表物体的空间分布特征。
地表物体的大小、形状和空间分布都会对遥感影像的解译产生影响。
因此，解译遥感影像需要将影像上的物体与实地观测进行对比，并结合地形、植被等因素进行分析。
此外，数据源的呈现方式也是解译遥感影像的关键。
遥感影像可以以栅格或矢量的形式呈现。
栅格影像以像元为单位，每个像元代表一定的空间范围，而矢量数据以点、线、面的形式表示地物。
对于栅格影像，可以通过像元间的空间关系进行解译；而对于矢量数据，可以通过矢量对象的属性进行分类和解译。
在提取测绘数据方面，遥感影像可以提供大范围地物信息。
常见的测绘数据提取方法包括：1. 目视解译法：通过人眼观察遥感影像，根据直觉判断地物类型。
这种方法简单直观，但受到主观因素的影响较大，准确性有限。
2. 物体识别法：通过建立物体特征库，利用计算机自动提取遥感影像中与库中特征相匹配的物体。
这种方法可以提高提取的自动化程度，但需要精确的物体特征库和准确的算法。
3. 分割法：将遥感影像划分为多个区域，通过划定不同区域的边界来提取地物。
这种方法能够考虑到地物的形状和大小，并且可以通过像元间的灰度差异来提取。
4. 监督分类法：通过样本训练和监督来提取地物。
首先选择一定数量的样本并进行分类，然后使用机器学习算法将这些样本推广到整个遥感影像中，从而提取地物信息。
- 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)。
浅谈遥感影像信息提取的方式摘要：本文介绍了利用遥感影像的光谱特性、空间特性、极化特性、和时间特性提取遥感影像信息的常用方法。
关键词：遥感信息目视解译计算机信息提取遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。
多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。
在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。
在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。
像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。
其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。
物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。
第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。
遥感信息提取方法分类常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
1.1目视解译目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。
早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。
遥感影像目视解译原则遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。
一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。
在此基础上，再进行地质、地貌等专门要素的判读。
遥感影像目视解译方法（1）总体观察观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。
观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。
（2）对比分析对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。
多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。
各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。
对比分析可以增加不同物体在图像上的差别，以达到识别目的。
（3）综合分析综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。
间接判读标志之间相互制约、相互依存。
根据这一特点，可作更加深入细致的判读。
如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关，长江、黄河河口泥沙沉积情况不同，正是因为流域内的自然环境不同所至。
地图资料和统计资料是前人劳动的可靠结果，在判读中起着重要的参考作用，但必须结合现有图像进行综合分析，才能取得满意的结果。
实地调查资料，限于某些地区或某些类别的抽样，不一定完全代表整个判读范围的全部特征。
只有在综合分析的基础上，才能恰当应用、正确判读。
（4）参数分析参数分析是在空间遥感的同时，测定遥感区域内一些典型物体（样本）的辐射特性数据、大气透过率和遥感器响应率等数据，然后对这些数据进行分析，达到区分物体的目的。
大气透过率的测定可同时在空间和地面测定太阳辐射照度，按简单比值确定。
仪器响应率由实验室或飞行定标获取。
利用这些数据判定未知物体属性可从两个方面进行。
其一，用样本在图像上的灰度与其他影像块比较，凡灰度与某样本灰度值相同者，则与该样本同属性；其二，由地面大量测定各种物体的反射特性或发射特性，然后把它们转化成灰度。
然后根据遥感区域内各种物体的灰度，比较图像上的灰度，即可确定各类物体的分布范围。
1.2计算机信息提取利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。
早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。
1.2.1自动分类常用的信息提取方法是遥感影像计算机自动分类。
首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。
工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。
遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。
在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。
利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。
计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。
计算机图像分类方法，常见的有两种，即监督分类和非监督分类。
监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。
它是一种由已知样本，外推未知区域类别的方法；非监督分类是一种无先验（已知）类别标准的分类方法。
对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。
与监督分类相比，非监督分类具有下列优点：不需要对被研究的地区有事先的了解，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。
1.2.2纹理特征分析细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑、格、垅、栅。
在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。
每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。
纹理反映的是亮度（灰度）的空间变化情况，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。
这个序列的基本部分通常称为纹理基元。
因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理（如人工纹理），后者呈随机性纹理（或自然纹理）。
对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。
相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。
结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的fourier频谱分析方法以确定纹理元及其排列规律。
此外结构元统计法和文法纹理分析也是常用的提取方法。
结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。
在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。
目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。
共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。
1.2.3图像分割图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。
图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。
一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。
图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。
图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。
图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。
1）阈值与图像分割阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。
这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。
实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。
为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。
2）梯度与图像分割当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。
这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。
3）边界提取与轮廓跟踪为了获得图像的边缘人们提出了多种边缘检测方法，如sobel,canny edge, log。
在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。
4）hough变换对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。