遥感影像纹理分析方法综述与展望
遥感图像处理与分析算法综述
遥感图像处理与分析算法综述随着遥感技术的发展，遥感图像处理与分析算法在各个领域中得到了广泛的应用。
遥感图像处理与分析算法是指通过对遥感图像进行数字处理和分析，来提取和解释图像中的信息。
本文将综述一些常见的遥感图像处理与分析算法，包括图像增强、分类与分割等。
一、图像增强图像增强是指通过一系列的操作，提高图像的质量和可视化效果。
常见的图像增强算法包括直方图均衡化、滤波和增强函数等。
直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行变换，来增加图像的对比度。
该方法通过将图像的像素值映射到一个新的分布上，从而改变图像的亮度分布。
滤波是另一种常见的图像增强方法，通过在图像的空域或频域中对像素进行处理，来减少噪声和增强图像细节。
常见的滤波算法包括高通滤波和低通滤波等。
高通滤波可以增强图像的边缘和细节，而低通滤波则能够平滑图像并去除噪声。
增强函数是一种通过对图像的像素值进行非线性映射，来增强图像的方法。
常见的增强函数包括对数变换、幂次变换和伽马变换等。
对数变换可以扩展暗部像素的动态范围，而幂次变换则能够增强图像的对比度。
二、分类与分割分类与分割是遥感图像处理与分析的重要内容，它们能够将图像中的不同对象进行区分和提取。
常见的分类与分割算法包括聚类分析、最大似然分类和支持向量机等。
聚类分析是一种通过将像素划分到不同的类别中，来实现图像分类和分割的方法。
常见的聚类分析算法包括K均值聚类和自适应聚类等。
K均值聚类将图像像素划分为K个簇，每个簇代表一个类别，而自适应聚类则能够根据像素的分布进行不同权重的划分。
最大似然分类是一种基于概率统计的图像分类方法，它通过计算像素在每个类别中的概率，并选择概率最大的类别作为最终的分类结果。
最大似然分类算法能够准确地对图像中的不同对象进行分类，并且具有较强的鲁棒性。
支持向量机是一种通过构建一个最优决策边界，来实现图像分类和分割的方法。
支持向量机利用训练样本，通过最大化分类边界与样本之间的距离，来找到一个最优的分类超平面。
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。
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。
遥感影像纹理分析方法综述与展望
假定所给纹理影像 M ×M 是零均值观测值 y ( s) [ y ( s) , s∈ , = { s= ( i , j ) : 0≤i , j ≤M - l } ] , 若各向同性, 则由下面等式〔12〕:
y ( s) = - ∑ r( y ( s+ r ) + y ( s- r ) ) + e( s) ( 2) r ∈N s
收稿日期: 2003-07-20; 修订日期: 2003-09-30 基金项目: 国家高技术研究发展计划( 2002A A 133060, 2002A A 130020, 2002A A 134090) 资助。 作者简介: 刘龙飞( 1977- ) , 女, 硕士生, 主要从事资源环境遥感研究。
44 2 遥 感 技 术 与 应 用 第 18 卷
2. 2. 2 M arkov 随机场模型 这一模型假设每一像元的密度与邻 域像元有
第 6 期 刘龙飞等: 遥感影像纹理分析方法综述与展望 4 43
关, 与其它像元无关。紧靠的元素有直接交互作用, 另外 全 局 的 影 响 也 可 以 传 播。在 纹 理 分 析 中, M ar ko v 随机场模型基于纹理 满足随机、静态等前 提条件。以各向同性的马尔可夫随机场模型为例介
2 纹理分析方法
纹理分析方法可以归纳为: 统计方法, 结构( 几 何) 方法, 模型方法以及基于数学变换( 信号处理) 的 方法。下面介绍以往对遥感影像纹理分析的方法。结 构法基于“纹理基元”分析纹理特征, 它认为纹理由 许多小的纹理元构成, 不同类型的纹理基元、不同的 方向、形状等, 决定了纹理的表现形式。纹理基元在 遥感影像里很难确定或者分辨。而把纹理作为灰度 函数处理, 比较符合自然状态的现象。在这里就不讨 论结构法了。
遥感影像解译中的纹理特征提取与分类算法研究
遥感影像解译中的纹理特征提取与分类算法研究遥感影像解译是利用遥感技术获取的影像数据来获取地表信息的过程。
其中，纹理特征提取与分类算法在遥感影像解译中起着重要的作用。
本文将探讨纹理特征提取与分类算法在遥感影像解译中的研究现状和应用。
一、纹理特征提取方法研究纹理特征是指图像上的局部空间灰度分布的某种统计规律，可以用于描述不同地物的纹理特性。
在遥感影像解译中，纹理特征有助于提取地物的空间结构信息，从而更准确地分类地物。
1.像素级纹理特征提取方法像素级的纹理特征提取方法主要采用统计学方法和频域方法。
统计学方法基于灰度共生矩阵（GLCM）和灰度差异矩阵（GDM）等，通过对图像像素间的灰度关系进行统计和计算，提取纹理特征。
频域方法主要利用傅里叶变换或小波变换将图像转换为频域表示，从中提取纹理特征。
2.基于区域的纹理特征提取方法基于区域的纹理特征提取方法考虑到了图像中的区域上下文信息，对于遥感影像解译中复杂的地物分类任务特别有效。
常见的方法包括灰度共生矩阵（GLCM）特征提取、灰度差异矩阵（GDM）特征提取、局部二值模式（LBP）特征提取等。
二、纹理特征分类算法研究纹理特征提取后，需要将其应用于地物分类。
目前，常见的纹理特征分类算法包括最大似然分类、支持向量机（SVM）、随机森林（RF）、卷积神经网络（CNN）等。
1.最大似然分类最大似然分类是常用的遥感影像分类方法之一，基于统计学原理，通过最大化后验概率来进行分类。
在纹理特征分类中，最大似然分类器可以与纹理特征结合，提高分类精度。
2.支持向量机（SVM）支持向量机是一种常用的机器学习算法，可用于分类和回归问题。
在纹理特征分类中，SVM可以通过构建支持向量机模型进行分类，根据纹理特征的统计规律将地物进行分类。
3.随机森林（RF）随机森林是一种集成学习算法，能够有效地减小过拟合问题。
在纹理特征分类中，随机森林可以将多个决策树进行组合，对纹理特征进行分类。
4.卷积神经网络（CNN）卷积神经网络是一种深度学习算法，在遥感影像解译中具有广泛的应用。
遥感图像纹理分析
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。
纹理实例
• 纹理对我们并不陌生，从多光谱卫星图片 到细胞组织的图像都可以看到纹理。
• 日常生活中常见的砖墙、水磨石地、纺织 品及一些自然景物都有明显的纹理特征。
• 它反映了物体表面颜色和灰度的某种变化， 而这些变化又与物体本身属性相关。
• 纹理不仅 反映图像 的灰度统 计信息， 而且反映 图像的空 间分布信 息和结构 信息
数。它与灰度级数、长度、方向等因素有关。
0
1
1
0 (0,1)0 (0,2) (0,3) (0,4) 3 1 0 0
2
2
2
1 (1,1)1 (1,2) (1,3) (1,4) 0 2 0 0
3
3
3
3 (2,1)0 (2,2) (2,3) (2,4) 1 1 1 0
2
4
4
0 (3,1)4 (3,2) (3,3) (3,4) 0 0 0 1
矩阵基本原理
• 共生矩阵法(或空间灰度级相关方法)能够反映亮度的 分布特性，同时也可以反映具有同样亮度或接近亮度 的像素之间的位置分布特性，是一种基于图像灰度联 合概率矩阵的方法，是有关图像亮度变化的二阶统计 特征。
• 通过对图像灰度级之间二阶联合条件概率密度函数来 表达。
• 由于灰度共生矩阵与方向有关，单一方向 的抽取会造成图像发生旋转时纹理特征发 生变化，
- 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)。
准差为 B 的高斯累积分布函数。
∫ F( t) =
1 2
exp(
B
2
s2
2
)
B
ds
( 4)
分形布朗函数可以更直接写为:
E [ f B ( x + x ) - f B ( x ) ] ∝‖ x ‖H ( 5)
H 为自相似参数, 分维值为: D = E + 1- H ( E 为欧氏空间维数, 曲线时, E = 2;
2. 1 统计方法 2. 1. 1 灰度共生矩阵法
纹理可以认为是在局部窗口内, 影像灰度级之 间的空间分布及空间相互关系。Haralick 于 1973 首 先提出灰度共生矩阵( GL CM ) , 它成为最常见和广 泛应用的一种纹理统计分析方法。灰度共生矩阵( 空 间灰度相关方法) 通过对影像灰度级之间联合条件 概率密度 P ( i , j / d , ) 的计算表示纹理。P ( i, j / d , ) 表示在给定空间距离 d 和方向 时, 灰度为 i 为始 点, 出现灰度级为 j 的概率( 也即频数) 。P ( i, j / d , ) 常用矩阵形式表示, 称为灰度共生矩阵。通常 方向 为: 0°, 45°, 90°, 135°4 个方向。这样 P ( i , j / d, ) 为 一对称矩阵。如果 d 相对纹理的粗糙度来说很小, 共生矩阵的元素值集结在对角线附近; 反之, 如果 d 较大, 共生矩阵的元素值将离开主对角线向外散开 分布。
场方法进行影像纹理分类, 首先是要确定出马尔可 夫随机场模型阶数和模型形式。有了各模型参数、分
形特征值之后, 若纹理影像间所属马尔可夫随机场 模型形式不同, 则分属不同类型纹理。 2. 2. 3 分形模型
据 Mandelbrot , 自相似性是分形的基 本原则。 分维值是进行定量表征的最佳工具, 分形中分维值 最直接的意义就是它代表了表面的起伏程度。求分
2 纹理分析方法
纹理分析方法可以归纳为: 统计方法, 结构( 几 何) 方法, 模型方法以及基于数学变换( 信号处理) 的 方法。下面介绍以往对遥感影像纹理分析的方法。结 构法基于“纹理基元”分析纹理特征, 它认为纹理由 许多小的纹理元构成, 不同类型的纹理基元、不同的 方向、形状等, 决定了纹理的表现形式。纹理基元在 遥感影像里很难确定或者分辨。而把纹理作为灰度 函数处理, 比较符合自然状态的现象。在这里就不讨 论结构法了。
Haralick〔9〕定义了 14 种纹理特征。常用的用于 提取遥感图像中纹理信息的特征统计量主要有: 反 差( the contr ast ) 、熵( ent ropy) 、逆差矩( t he inv erse dif f erence mom ent ) 、 灰 度 相 关 ( t he co rrelation ) 、能 量 ( energy ) 、角 二 阶 矩 ( ang ular seco nd m oment) 以及协方差( covariance) 等。
其中: e( s) 是零均值高斯噪声序列; r 代表邻点集聚 对 y ( s) 的影响程度。当 Ns= { ( 0, 1) , ( 0, - 1) , ( - 1, 0) , ( 1, 0) } 时, 对应的马尔可夫随机场模型称为一阶 M RF 模型, ( a) 、( b) 、( c) 分别为一、二和八阶的邻域 关系( 见图 1) 。
曲面时, E = 3) 对上述两式两边分别取对数, 变换不同的 r, 即
可由直线回归得到斜率 H , 分维值 D= - H , 其中
为数据存在的欧式维数( 灰度影像 为 3) 。 2. 3 数学变换方法( 信号处理方法)
数学变换的方法包括多种。包括空间域滤波、付
立叶滤波、Gabor 和小波模型等。其中大多数方法用
)=
1 TR
NR j= 1
[
NG- 1
p
i= 0
(
i,
j
/
)]2
∑ ∑ R F4(
)=
1 TR
NGi= 0
1
[
NR
p ( i, j /
j= 1
)]2
∑ ∑ RF 5(
)=
1 N GT R i= 0
1 NR
p
j= 1
(
i,
j
/
)
其中: N G 为灰度级数, N R 为游程长个数, T R 为影像 像素总数:
i= 0 j = 0
MN
其中: = ∑∑i×p ( i, j ) , i= 0 j = 0
MN
2= ∑∑( i- ) 2p ( i, j ) i= 0 j= 0
2. 1. 2 灰度游程长度法
简单说, 灰度游程长度即为同一直线上具有相
同灰度值的最大像元集合。它与灰度级数、长度、方
向等因素有关。一个灰度游程长度定义为游程中像 素点的个数。灰度游程长度矩阵 R( ) = [ p ( i , j / ) ] 中每一项 p ( i, j / ) 表示在方向 上, 灰度级为 i, 而 游程为 j 的次数。 一般取 0°, 45°, 90°, 135°4 个方 向, 在 求 得 灰 度 游 程 长 度 矩 阵 的 基 础 上, G allow ay 定 〔10〕 义如下表 2 的 5 个纹理特 征最为常 用。
1 引 言
20 世纪 90 年代以来, 随着遥感技术的提高, 高 分 辨 率 遥 感 影 像 ( 例 如 IKONOS, SP OT 5, COSM OS, OrbView 等) 越来越多。这样可以在较小 的空间范围内观察地表的细节变化、进行大比例尺 遥感制图、提取高精度的地理信息、监测人为活动对 环境的影响等。然而空间分辨率的提高并不能总是 使传统的光谱分类的精度得到提高〔1〕。分类精度与 空间分辨率和分类种类这两个因素有关, 而这两个 因素相互矛盾: 较高的空间分辨率使纯像元的数量 增加, 混合像元的数量减少, 应该说这一因素可以使 分类的精度得到提高〔2〕; 而另一方面, 空间分辨率的 提高使需要分辨的种类数量增加, 从而使同类地物 之间的光谱差异增大, 增大了分类的困难, 使分类精 度降低。因而在某些情况下, 随着空间分辨率的提 高, 分类的精度可能降低〔3, 4〕。但是这一问题在一定 程度上可以得以解决, 比如在类内再划分子类, 定义 相应的训练样区进行分类, 然后把这些子类再合为 一类, 因为分类的结果不仅依赖于空间分辨率, 也依 赖于分类的数量〔5〕, 当然分类的精度还依赖于具体 的分类方法。而仅仅依靠光谱信息分类, 上述方法也 难以达到较高的分类精度。
2. 2. 2 M arkov 随机场模型 这一模型假设每一像元的密度与邻 域像元有
第 6 期 刘龙飞等: 遥感影像纹理分析方法综述与展望 4 43
关, 与其它像元无关。紧靠的元素有直接交互作用, 另外 全 局 的 影 响 也 可 以 传 播。在 纹 理 分 析 中, M ar ko v 随机场模型基于纹理 满足随机、静态等前 提条件。以各向同性的马尔可夫随机场模型为例介
绍此纹理分类方法。
假定所给纹理影像 M ×M 是零均值观测值 y ( s) [ y ( s) , s∈ , = { s= ( i , j ) : 0≤i , j ≤M - l } ] , 若各向同性, 则由下面等式〔12〕:
y ( s) = - ∑ r( y ( s+ r ) + y ( s- r ) ) + e( s) ( 2) r ∈N s
第 18 卷 第 6 期 2003 年 12 月
遥 感 技 术 与 应 用
REM OT E SEN S IN G T ECHN O LO GY A N D A PPLICA TIO N
V 感影像纹理分析方法综述与展望
刘龙飞, 陈云浩, 李 京
收稿日期: 2003-07-20; 修订日期: 2003-09-30 基金项目: 国家高技术研究发展计划( 2002A A 133060, 2002A A 130020, 2002A A 134090) 资助。 作者简介: 刘龙飞( 1977- ) , 女, 硕士生, 主要从事资源环境遥感研究。
44 2 遥 感 技 术 与 应 用 第 18 卷
( 北京师范大学资源科学研究所, 北京师范大学资源信息科学与工程研究中心, 北京 100875)
摘要: 遥感影像的纹理分析已经成为一种重要的提高遥感影像分类精度的手段。着重介绍了用于遥 感影像纹理分析的方法, 对这些方法进行了分类和综合; 这些方法的类别是: 统计方法、结构方法、 模型方法以及基于数学变换的方法。接着分别对各类别中的多种纹理分析方法进行了剖析, 列举各 自的纹理特征, 并指出了这些方法的优缺点和适应性。然后对应用这些方法的影像分类效果做了对 比分析。最后分析了遥感影像纹理分析近年来的发展方向并对未来发展进行了展望。 关 键 词: 统计纹理分析; 基于模型的纹理分析; 数学变换纹理分析; 纹理特征 中图分类号: T P 75 文献标识码: A 文章编号: 1004-0323( 2003) 06-0441-07
纹理特征 反差 熵
逆差矩 灰度相关
能量 角二阶矩
协方差
表 1 灰度共生矩阵纹理特征
公式
MN
∑∑ f con=
( i - j ) 2p ( i, j )
i= 0 j= 0
MN
∑∑ f E NT = -
P ( i- j ) l ogp ( i, j )
i= 0 j= 0
∑∑ f I NV =