遥感特征物提取与对比检测

遥感特征物提取与对比检测
遥感特征物提取与对比检测

目录

一:利用遥感影像提取特征物 (2)

1遥感影像定义 (2)

2利用遥感影像提取特征物原理 (2)

3影像信息的提取方法的发展历程 (2)

4面向对象的分类方法 (2)

5特征物提取概括 (3)

6遥感图像特征物提取步骤(应用ENVI特征提取模块) (4)

1)Finding Objects(寻找目标物体) (4)

2)提取物体(Extracting Objects) (5)

3)提取图展示如下图 (6)

7面向对象的遥感影像处理方法和软件 (6)

二:遥感变化检测方法 (7)

1兴起条件 (7)

2变化检测(Change Detection)的定义 (7)

1)地物变化的类型 (7)

2)变化检测的定义 (8)

3)变化检测的一般处理流程 (8)

3基于差分图像融合的变化检测实例描述 (12)

一:利用遥感影像提取特征物

1遥感影像定义

纪录各种地物电磁波大小的胶片(或相片),在遥感中主要是指航空相片和卫星像片。2利用遥感影像提取特征物原理

遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础。

3影像信息的提取方法的发展历程

人工解译->基于光谱计算机自动分类->基于专家知识的决策树分类->面向对象特征自动提取。目前这四类方法共存。

4面向对象的分类方法

定义:利用遥感影像结构信息和光谱信息, 在建立这些特征之间的层次关系的基础上, 对影像进行分类。

技术关键:关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要,实验证明多尺度图像分割方法综合了图像的光谱,形状,结构,纹理,相关布局等信息, 是目前较为理想的图像分割方法。

技术流程图如下:

应用面向对象提取的必要性:

1)随着遥感技术的发展,遥感技术已经形成了三多和三高的发展局面,在光谱分辨率、空间分辨率、时间分辨率方面取得了巨大的进步,为地质遥感研究提供了大量的资料。特别是高空间分辨率的卫星影像,不但含有丰富的地物的光谱信息,而且在地质结构、纹理和细节等信息上都能清晰的识别,为光谱信息相近的信息提取,提供了可靠的数据来源。据统计,人们用到的遥感信息仅占全部获取信息的5%左右,而深层次的信息开发更少,极大的限制了遥感技术实际应用效果。

2)面向对象的遥感信息提取技术以相同特征的“同质均一”的图块对象为基本分析单元,提取对象不是单个的特定目标,而是基于图像分割后的多边形,结合使用影像空间和波谱两方面的信息,对整幅图像进行分类及分析,由于顾及了更多的结构、特征等信息,面向对象遥感信息提取的精度高、效果好,所以面向对象的遥感分类方法在高分辨率遥感影像信息提取研究中具有良好的应用前景。通过对光谱信息和空间几何关系的分析来实现数据的分类和特征的提取,可快速、高效地生产地理空间信息。自动化程度较高,极大地减少了实际工作所需时间。

5特征物提取概括

从高分辨率全色或者多光谱数据中提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等是目前使用比较多的一项技术,从提取出的特征物中可以清晰的看到各种地物的分布特点,了解地区的规划特色,便于对以后的地区发展做出可行性的方案。现在用的比较多的有ENVI特征提取模块(ENVI Feature Extraction)和eCognition软件。ENVI的Feature Extraction是一个非常强大的用于分割与分类的workflow。下图是其特征物提取流程图

eCognition是基于影像空间和波谱两方面的信息提取,是直接面向高分辨率影像和雷达影

像的分类处理软件,采用全新的面向对象和模糊规则的处理与分析技术,对高空间分辨率的遥感影像进行分类则能充分利用遥感影像的纹理等信息。首先,用户可以通过定义样本或给定初始规则的方法来指定要提取的特征;然后,计算机学习给定的样本进行分类,当获得初始提取结果后,用户可根据提取效果和要求修改或精化提取规则来迭代学习过程以改善提取结果;最后,通过手工编辑去除没有处理好的部分来提取理想效果。在信息提取流程上,eCognition采用重复学习,迭代优化分类和特征提取结果。eCognition在分割和分类两个步骤均进行了迭代。下图是其提取特征物流程图:

6遥感图像特征物提取步骤(应用ENVI特征提取模块)

ENVI特征提取模块先对影像进行分割,然后针对分割出来的斑块对象,利用光谱,纹理和几何信息对目标进行分类和提取。Envi提取模块提供Classify by selecting examples(监督分类)和Classify by creating rules(基于规则的分类)两种分类方式,其中Classify by creating rules通过调节各特征属性的阈值,将感兴趣区域提取出来。

1)Finding Objects(寻找目标物体)

A:影像分割(Segmenting Images)

定义:根据临近像素亮度、纹理、颜色等对影像进行分割

方法:使用一种基于边缘的分割算法,这种算法计算很快,并且只需一个输入参数,就能产生多尺度分割结果。通过不同尺度上边界的差异控制,从而产生从细到粗的多尺度分割。选择高尺度影像分割将会分出很少的图斑,选择一个低尺度影像分割将会分割出更多的图斑,分割效果的好坏一定程度决定了分类效果的精确度,我们可以通过预览分割效果,选择一个理想的分割阀值,尽可能好地分割出边缘特征。

B:合并分块(Merging Segments)

定义:将小的分块合并到大的分块里

作用:影像分割时,由于阈值过低,一些特征会被错分,一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。

C:精炼分割(Refining Segments)

定义:更加精练的合并分割,有利于提取点的特征

作用:对于具有高对比度背景的特征非常有效(例如,明亮的飞机对黑暗的停机坪)。可以将精炼结果生成掩膜图层(Mask)

D: 计算属性(Computing Attributes)

作用:为每一个目标物计算spatial(空间), spectral(光谱), 以及texture(纹理)等属性

2)提取物体(Extracting Objects)

A:选择分类方法(Choosing a Classification Method)

有两种分类方法:Classify by selecting examples(监督分类)和Classify by creating rules (基于规则的分类)

监督分类方法如下:a.定义训练区:该过程在Region Means 影像上进行, 鼠标放置区域将以高亮颜色显示,点击该区域并将该特征颜色赋给选中的区域,该区域将作为该特征地物的训练区,选择训练区后,选择计算对某一个特征分类时所需的各种属性;b:选择Supervised Classification 方法:选择一种分类方法(K临近法或支持向量机方法)K临近法(K Nearest Neighbor)定义:依据待分类数据与训练区元素在n维空间的欧几里得距离来对

影像进行分类, n由分类时目标物属性数目来确定.这种方法比传统的临近分类法要好,它自己会确定像素最

可能属于哪一类. K Nearest Neighbor 法对噪声等不敏感,计算精度比传统方法要高。

支持向量机(Support V ector Machine ,SVM)定义:支持向量机方法是建立在统计学习理论的VC维理

论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)

和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以求获得最好的推广能力。

基于规则方法定义:根据目标物体的属性通过建立规则来定义特征。每一个分类有若干个规则(Rule)组成,每一个规则有若干个属性表达式来描述。规则与规则直接是与的关系,属性表达式之间是并的关系。同一类地物可以由不同规则来描述,比如水体,水体可以是人工池塘、湖泊、河流,也可以是自然湖泊、河流等,描述规则就不一样,需要多条规则来描述。每条规则又有若干个属性来描述。

步骤:建立规则->相关设置(显示规则设置,高级设置,管理规则设置)

B:输出结果

监督分类输出结果包括矢量与分类影像。如下图所示:

矢量结果分类影像结果(屋顶特征提取结果)

3)提取图展示如下图

各种地物提取结果

7面向对象的遥感影像处理方法和软件

主要有美国VLS 公司的Feature Analyst 模块,德国Definiens 公司的eCognition 软件。两个软件都提供了针对高分辨率影像的分类和提取,但前者更侧重于基于机器学习的特征提取,后者更侧重于面向对象的影像分类。从设计原理、软件体系结构、分类算法等方面既存在相似点又存在不同点,Feature Analyst 是一种基于象元的信息提取软件,支持变化检测、三维特征提取、多元数据融合等,但依赖于ERDAS Imagine 或ArcGIS 等运行环境,要求用户同时购买ERDAS Imagine 等软件。eCognition 软件是一种面向对象的信息提取独立软件,不支持变化检测、三维特征提取,操作复杂。在中国巨大的市场需求拉动下,Feature Analyst 和eCognition 已占领了中国的遥感应用市场[1]。国内面向对象的影像分析处于起步阶段,虽然已经成功开发了类似eCognition 的面向对象的软件系统,如上海交通大学的ELU 遥感

影像智能解译平台软件,武汉中地数码科技有限公司开发的MAPGIS-RSP 遥感信息提取系统,但这些系统尚处于研究试用阶段,实用化、应用化程度不高,核心技术有待于进一步深入研究。因此,进行面向对象的高分辨率遥感影像分析技术的研究,并开发相应的处理软件已经迫在眉睫。

二:遥感变化检测方法

1兴起条件

进入21世纪以来,随着人口的迅速增长,土地资源变得越来越重要。为了有效保护和合理开发土地资源,真实、准确和实时地把握土地利用现状就显得越来越重要。遥感技术以其快速高效的特点,很快很自然地成为了土地利用变化监测的重要研究手段,国内外众多学者都利用过遥感的方法获取了土地利用变化信息。当前,变化检测技术已经成为遥感研究中的热点,被广泛地应用于国民经济和国防建设的诸多领域。

2变化检测(Change Detection)的定义

1)地物变化的类型

变化检测是利用多时相遥感图像检测出地物的变化,因此了解地物的变化类型,对于明确变化检测的目的,以及选择合适的方法具有明显的意义。

对于某一地物,经过一段时间,可能存在两种情况:

该地物已经发生变化

该地物没有发生变化

其中变化的地物是属于变化

检测需要研究的内容。地物的变

化包括地物的空间和属性的变化,

具体的表现形式有以下几种:

旧地物的消失

新地物的生成

地物的几何变化

地物的属性变化

地物的几何和空间属性的共

同变化

地物变化与多时相遥感图像变化之间的对应关系

虽然地物的变化存在多种形式,但是从本质上讲,最终都是通过光谱特性的变化来检测出地物的变化。由于受到地物成像环境和地物特性的影响,使得不同时相遥感图像间的变化与地物之间的变化从理想的一对一的对应关系变成实践的多对多对应关系。

2)变化检测的定义

变化检测室通过分析不同时相

遥感图像的差异,检测出研究地物

或现象变化的处理过程。

变化检测是根据图像变化获取

地物变化的信息,是地物成像过程

的逆过程。变化检测与地物成像之

间既相互关联又彼此对立,只有熟悉具体的成像环境和了解地物地学特征的变化情况,才能有效地实现地物变化信息的提取。从地物变化与多时相遥感图像变化之间的对应关系描述中可以看出,不同时相的遥感图像的变化并不一定是由于地物的变化引起的,并且有些地物的变化也非一定会引起图像的变化。因此在进行变化检测过程中应尽量消除图像变化中的非地物变化部分对变化检测的影响。

3)变化检测的一般处理流程

从输入多时相遥感图像数据,到输出变化检测结果,变化检测的一般处理流程由图像预处理,变化信息获取以及检测结果输出三个部分构成,如下图所示:

多时相遥感图像预处理

由于获取条件的差异,使得多时相遥感图像中存在非地物变化而造成的图像变化,因此,消除非地物变化是变化检测中不可缺少的步骤。

3).1图像预处理包括数据的增强,几何校正,影响镶嵌以及影像与影像之间的配准和融合。

在图像预处理过程中,最重要的两个过程是图像配准和辐射校正

图像配准:是多源图像分析中的一种重要技术,它将不同时相获得的图像进行几何对应,用于消除非地物变化中的几何畸变。

多时相遥感图像配准处理流程图

辐射校正( radiometric correction ):是指对由于外界因素,数据获取和传输系统

产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。对图像进行辐射校正的目的是消除大气,太阳入射角,视角和地形等对地面光谱反射信号的影响。多时相遥感图像相对辐射校正的基本原理是通过调整待校正图像的辐射值,使相同地物在不同时相图像中的光谱反射值相等,也就是“波谱不变”。相对辐射校正一般是通过三个步骤来校正两图像间的辐射差异:首先选择两图像中辐射值没有或很少发生变化的目标区域,然后用这些区域的平均DN(灰度)值来估计线性函数的增益和偏移,最后通过估计得到的线性函数实现待校正图像辐射值的校正。

3).2变化信息获取

概述:变化信息获取是变化检测处理中的关键步骤,一般所说的变化检测算法也是指变化信息获取时所采用的处理方法。在变化信息过程中,应先根据变化检测对象,进行变化特征提取,这里的特征提取包括光谱特征及结构特征。这里提取的变化特征,有些可以直接用于变化分析,称之为确定变化特征,而有些变化特征则不能直接用于变化分析,需要结合辅助信息,如在目标级的变化检测中,需要结合目标模型知识来描述变化,这一类变化特征称之为非确定变化特征。在变化信息获取过程中,最终通过对变化信息进行分析与描述得到变化检测的结果。

变化检测的主要方法及其特点

目前所出现的各种变化检测方法都是为了解决如何有效地从多时相遥感图像中提取出地物的变化信息。从不同的角度出发,可以进行不同的分类。

像元级变化检测

从检测层次出发

特征级变化检测

目标级变化检测

基于简单代数运算的变化检测

从算法的角度出发基于图像变换的变化检测

基于图像分类的变化检测

基于结构特征分析

基于土地覆盖的变化检测

从应用角度出发基于人工地物的变化检测

基于土壤植被指数的变化检测

A:从检测层次出发的变化检测方法对比图

有一定的局限性,但能更多

保留图像原有的真实感。

对特征属性的判断具有更

高的可信度和准确性,难以

提供细微信息。

接近用户需求,检测结果可

直接应用,但目标提取困难。

B:在各种变化检测方法的分类中,目前采用最多的是从算法的角度出发,因为不管怎么分类,最终都离不开具体的算法来实现变化检测。

将目前的方法分为四类:基于简单代数运算的变化检测,基于图像变换的变化检测,基

于图像分类的变化检测,基于特征描述的变化检测

表一基于简单代数运算的变化检测方法

表二基于图像变换的变化检测方法

表三基于图像分类的变化检测方法

表四基于特征描述的变化检测方法

3基于差分图像融合的变化检测实例描述

处理步骤:

第一步:图像预处理(Image Preprocessing)

.1根据基于边缘特征的方法实现多时相遥感图像的配准

.2通过迭代回归方法实现多时相遥感图像的辐射校正

第二步:差分图像融合(Difference Image Fusion)

.1根据图像的灰度信息得到多时相遥感图像的灰度差分图像

.2根据图像的纹理结构得到多时相遥感图像的纹理差分图像

.3根据贝叶斯理论实现纹理差分图像与灰度差分图像的融合

第三步:初始分类(Initialization Classification)

.1通过EM方法实现纹理差分图像的统计参数估计

.2通过EM方法实现灰度差分图像的统计参数估计

.3根据最大似然方法完成融合后差分图像的初始分类

第四步:自适应参数估计与分类(Adaptive parameter estimation and Classification)

第五步:循环执行第四步,直到两次分类结果的值相差小于设定的门限

第六步:分类结果后处理,实现多时相图像的变化检测

图像颜色特征提取基本知识

一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0~1 或者在 0~255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0~360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0~1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0~1。1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法

遥感典型地物提取综述

考虑地物光谱多样性的遥感影像典型地物 提取方法综述 摘要 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息,然而在遥感高精度分类研究中,特别面对大区域(全国或全球尺度)地表分类时,由于地表情况复杂,地物光谱多样性问题突出,在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言,海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征,光谱往往会随着季节的变化而变化,城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。本文从基于像元级与基于亚像元级两个方面对地物提取研究进行综述,系统的介绍了当前国内外在考虑地物光谱多样性典型地物提取的研究进展,为后续的研究提供参考。 关键词:遥感,光谱多样性,水体,植被,建筑物,像元级,亚像元级 1.引言: 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息,然而在遥感高精度分类研究中,特别面对大区域(全国或全球尺度)地表分类时,由于地表情况复杂,地物光谱多样性问题突出,在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言,海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征,光谱往往会随着季节的变化而变化,城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。

制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛存在的“同物异谱”现象,该现象产生的原因主要有:(1)地物自身属性随着空间-时间的变化而发生变化,即是该课题所研究的地物光谱多样性特征;(2)地物由于临近效应,大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其原有光谱特征发生变化。原因(1)是导致“同物异谱”现象最主要的原因,因此在对遥感影像进行处理中如果能够解决地物光谱多样性问题,其实也就很大程度上解决了遥感影像上的“同物异谱”问题。 地物光谱多样性并不是毫无规律的,以落叶植被为例,在一年的周期里,落叶植被的叶绿素含量呈现出先增加后减少的自然规律,反映在遥感影像上为植被在绿光波段的反射率会先增加后减小。对于水体而言,无论是清澈水体还是浑浊水体,其在中红外波段区间的反射率都趋近于0。除此之外,对于不同地物的光谱多样性特征还有很多有待探索的规律。随着空间科学技术,信息技术以及传感器技术的发展,现已经能够获取到一些具有三高特性(高空间分辨率、高光谱分辨率和高时间分辨率)的遥感影像。这为我们深入分析地物光谱多样性特征随着地物时空分布的不同所呈现出来的变与不变的内在规律提供基础。 同时,由于光谱可变会严重影响混合像元分解中地物丰度估计的结果,因此关于光谱多样性问题在软分类领域已有较多研究,如近年来提出的CoB、EAR、IES等最有代表性端元光谱选取方法,能够从地物光谱库中找到地物光谱在某些波段区间的不变规律,以此筛选出最具有地物代表性的端元光谱。除此之外,软分类领域涉及解决地物光谱多样性问题的具体方法还有很多,这都为遥感影像上地物光谱多样性问题的解决提供了思路和参考。 2.典型地物光谱规律探索 地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征,地物光谱多样性体现在遥感影像上即为“同物异谱”、“端元可变(endmember variability)”、“光谱可变(spectral variability)”等现象。地物光谱的多样化并不是毫无规律的,其与时间、空间之间一定存在着某些变与不变规律。 对于水体而言,传感器接受到的水体辐射包括了水面反射、水体底部物质反

遥感信息智能化提取方法

遥感信息智能化提取方法 目前,大部分遥感信息的分类和提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率不高,劳动强度大,而且依赖参与解译分析的人,在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理,问题更为突出。在遥感影像相互校正方面,一些商业化的遥感图像处理软件,虽然提供了简单的影像相互校正和融合功能,但均是基于纯交互式的人工识别选取同名点,不仅效率非常低,而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1.遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一,它实现了基于遥感数据的地理信息提取,主要包括监督分类,非监督分类,以及分类后的处理功能。非监督分类包括等混合距离法分类(Isodata)等。监督分类包括最小距离(Minimum Distance)分类、最大似然(Maximum Likehood)分类、贝叶斯(Bayesian)分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法,则有其完全不同的意义,是从应用的角度赋予其新的内容和方法。传统的遥感自动分类,主要依赖地物的光谱特性,采用数理统计的方法,基于单个像元进行,如监督分类和非监督分类方法,对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息,直接从图像上提取各种空间特征,如纹理、形状特征等。其次是各种数学方法的引进,典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于:在处理模式分类问题时,并不基于某个假定的概率分布,在无监督分类中,从特征空间到模式空间的映射是通过网络自组织完成的,在监督分类中,网络通过对训练样本的学习,获得权值,形成分类器,且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果,因此 ANN方法在遥感分类中被广泛应用,特别是对于复杂类型的地物类型分类,ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类,在不同程度上提高了分类精度;Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类,取得比统计方法更精确的结果;G.M.Foody(1996)用ANN对混合像元现象进行了分解;L.Bruzzone 等 (1997) 在 TM-5 遥感数据、空间结构信息数据、辅助数据(包括高程、坡度等)等空间数据基础下,用 ANN 方法对复杂土地利用进行了分类,比最大似然分类法提高了 9% 的精度。与统计分类方法相比较,ANN 方法具有更强的非线性映射能力,因此,能处理和分析复杂空间分布的遥感信息。2.基于知识发现的遥感信息提取

6-遥感图像特征和解译标志

上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和(t 1,t 2,…,t m )t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造

第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征,分“色”和“形”两大类:?色:色调、颜色、阴影、反差; ?形:形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义: ?解译标志定义:遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点,并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性; l解译标志包括:色调与色彩、形状、尺寸、阴影、细部(图 案)、以及结构(纹理)等; l解译标志是以遥感图像的形式传递的揭示标志; ?揭示标志定义:在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括:形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹; l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等;

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系: ?解译标志是以遥感图像的形式传递的揭示标志; ?虽然我们是通过遥感图像识别地物目标的,但是大多数情况 下,基于遥感图像识别地物并作出决定时,似乎并不是利用解 译标志,而是利用揭示标志。 例如,很多解译人员刚看到图像就差不多在脑海中形成地物的形象, 然后仅仅分析这个形象就能作出一定的决定。实际上,有经验的解译人 员,在研究图像的解译标志并估计到传递信息的传感系统的影响以后, 思想中就建立起地物的揭示标志,并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分:?直接标志和间接标志; ?永久标志和临时标志;

图像特征提取总结

图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。 (二)常用的特征提取与匹配方法 (1)颜色直方图 其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间:RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 (2)颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间(如HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系 (3)颜色矩 这种方法的数学基础在于:图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。 (4)颜色聚合向量 其核心思想是:将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。(5)颜色相关图 二纹理特征 (一)特点:纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实

遥感专题讲座——影像信息提取(四、面向对象特征提取)

面向对象的影像分类技术 “同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例,对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容: ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据的空间,纹理,和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。它主要分成两部分过程:影像对象构建和对象的分类。

影像对象构建主要用了影像分割技术,常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法,这种方法综合遥感图像的光谱特征和形状特征,计算图像中每个波段的光谱异质性与形状异质性的综合特征值,然后根据各个波段所占的权重,计算图像所有波段的加权值,当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时,进行重复迭代运算,直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类,目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的,它分类时和样本的对比参数更多,不仅仅是光谱信息,还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能,如ENVI的FX扩展模块、易康(现在叫Definiens)、ERDAS的Objective模块、PCI的FeatureObjeX(新收购)等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢

图像纹理检测与特征提取技术研究综述

龙源期刊网 https://www.360docs.net/doc/2614827997.html, 图像纹理检测与特征提取技术研究综述 作者:李秀怡 来源:《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息,是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提,可以应用到医疗、工业、农业、天文等多个领域,也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展,纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上,叙述了纹理特征提取方法的发展历程及研究现状,并重点对近十年纹理特征提取方法进行了论述,最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理;特征提取;小波;支持向量机 doi : 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194(2017)23- 0175- 04 1 引言 随着大数据时代的到来,相对于一般数据,图像信息作为一种更直观更形象的数据表现形式,其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一,可以充分反映图像的整体特征,因此也成为了诸多图像后处理技术所必备的研究条件。但是,纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理,然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内,随着国内外学者研究对图像纹理提取模型及算法的不断创新,以及纹理提取的广泛的应用价值,促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前,人们对纹理的精确定义还没有完全统一,当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为,纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常,人们将组成纹理的基本单元称为纹理基元或纹元(texture element)。 尽管关于纹理的定义尚未统一,但人们对纹理信息所具有的如下特性达成共识: (1)纹理基元是纹理存在的基本元素,并一定是按照某种规律排列组合形成纹理;(2)纹理信息具有局部显著性,通常可以表现为纹理基元序列在一定的局部空间重复出现;(3)纹理有周期性、方向性、密度、强度和粗糙程度等基本特征,而与人类视觉特征相一致的周期

(完整版)图像特征特点及常用的特征提取与匹配方法

图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。 (二)常用的特征提取与匹配方法 (1) 颜色直方图 其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间:RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 (2) 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间(如HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系 (3) 颜色矩

遥感卫星影像数据信息提取.

北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。

图像特征特点及其常用的特征提取与匹配方法

图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。 (二)常用的特征提取与匹配方法 (1)颜色直方图 其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间:RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 (2)颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间(如HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系 (3)颜色矩 这种方法的数学基础在于:图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(m ean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。(4)颜色聚合向量 其核心思想是:将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。 (5)颜色相关图 二纹理特征 (一)特点:纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局

Gabor纹理特征

利用Gabor滤波器组提取图像纹理特征 本部分将包含以下四个方面:纹理特征提取方法综述、Gabor滤波器简介、Gabor滤波器组实现纹理特征提取的步骤与实现、存在的问题与改进策略。 1、纹理特征提取方法综述[1] 纹理没有准确的定义,但对纹理认识的共识是:①纹理不同于灰度和颜色等图像特征,它通过像素及其周围空间邻域的灰度分布来表现,即局部纹理信息;②局部纹理信息不同程度的重复性,即全局纹理信息。 按照纹理特征提取方法所基于的基础理论和研究思路的不同,并借鉴非常流行的Tuceryan和Jain的分类方法,将纹理特征提取方法分为四大家族:统计家族、模型家族、信号处理家族和结构家族。 统计家族的方法是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,或像元及其邻域内的灰度的一阶、二阶或高阶统计特性;在模型家族中,假设纹理是以某种参数控制的分布模型方式形成的,从纹理图像的实现来估计计算模型参数,以参数为特征或采用某种分类策略进行图像分割,因此模型参数的估计是该家族方法的核心问题;信号处理的方法是建立在时、频分析与多尺度分析基础之上,对纹理图像中某个区域内实行某种变换后,再提取保持相对平稳的特征值,以此特征值作为特征表示区域内的一致性以及区域间的相异性;结构家族的方法基于“纹理基元”分析纹理特征,着力找出纹理基元,认为纹理由许多纹理基元构成,不同类型的纹理基元、不同的方向及数目等,决定了纹理的表现形式。信号处理家族的方法从变换域提取纹理特征,其他3个家族直接从图像域提取纹理特征。各个家族的方法既有区别,又有联系。 利用Gabor滤波器组提取图像纹理特征,如图所示,可以归结为信号处理家族中小波方法的一个分支。

典型地物反射波谱测量与特征分析

典型地物反射波谱测量与特征分析 一、实验目的与要求 1.实验意义: (1)对光谱测量仪器的认识:ASD野外光谱分析仪FieldSpecPro是一种测量可见光到近红外波段地物波谱的有效工具,它能够快速扫描地物,光线探头在毫秒内得到地物的单一光谱。FieldSpec分光仪主要由附属手提电脑,观测仪器,手枪式把手,光线光学探头以及连接数据线组成。通过连接电脑,可实时持续显示测量光谱,使得测量者可以即时获取需要的测量数据。 (2)对课堂内容的认识:地物反射光谱是指某种物体的反射率或反射辐射能随波长变化的规律,以波长为横坐标,反射率为纵坐标所得到的曲线即为反射波谱特性曲线。影响地物波谱变化的因素:太阳位置(太阳高度角和方位角)。不同的地理位置,海拔高度不同。时间、季节的变化。地物本身差异、土壤含水量、植被病虫害。 2.实验目的: (1)地物波谱数据获取需要使用地面光谱仪,通过该实验学会地面光谱仪的原理与使用方法。 (2)通过对地物光谱曲线分析,比较相异与相似地物反射光谱特征。认识并掌握典型地物反射光谱特征。

二、实验内容与方法 1.实验内容 (1)典型地物反射波谱测量 选择典型地物类型,使用地物光谱仪,开展地物光谱测量,获得典型地物可见光近红外 波段(0.4-2.5微米)的反射光谱曲线。 地物类型:植被(草地、灌丛),水体(不同水深,有无植被),土壤(裸土、有少量植 被覆盖土壤),不透水地面(水泥地面、沥青路面、大理石地面)。 (2)地物波谱特征分析 a)标准波谱库浏览 b)波谱库创建 c)高光谱地物识别 ●从标准波谱库选择端元进行地物识别 ●自定义端元进行地物识别 2.实验方法 (1)ASD光谱仪简介 FieldSpec Pro型光谱仪是美国分析光谱设备(ASD)公司主要的野外用高光谱测量设备。整台仪器重量7.2公斤,可以获取350~2500nm 波长范围内地物的光谱曲线,探测器包括一个用于350-1000nm的512像元NMOS硅光电二极管阵列, 以及两个用于1000-2500nm的单独的热电制冷的铟-镓-砷光电探测器。便携式光谱仪是“我国典型地物标准波谱数据库”获取光谱数据的主要设备。 基本技术参数: 线性度:+/-1%

图像纹理特征提取方法

安徽大学 本科毕业论文(设计、创作) 题目:图像纹理特征提取方法研究 学生姓名:朱邵成学号:Z01114175 院(系):电气工程与自动化学院专业:自动化 入学时间:2011年9月 导师姓名:寻丽娜职称/学位:讲师/博士 导师所在单位:安徽大学电气工程与自动化学院 完成时间:2015年5月

图像纹理特征提取方法研究 摘要 近年来,随着信息多媒体时代的到来,以及网络在世界范围内的日益流行、云计算的风行,人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体,具有直观、信息量大、便于不同国家间交流的特点,是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础,用人工方式解释图像信息,其工作量我们难以想象,可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索(CBIR)包括四个阶段,分别是:获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题:选取何种算法提取哪一种图像特征,快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一,本论文也是基于图像纹理特征的提取为基础。首先,本文使用基于纹理基元的共生矩阵分析方法,用来提取纹理特征向量。此方法中,采用局部二进制模式(Local Binary Pattern,LBP)来进行图像的基本纹理基元的提取,并用灰度共生矩阵(Gray Level Co.occurrence Matrix,GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法,给出了基于 Matlab 的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词:纹理特征;灰度共生矩阵;基于内容的图像检索;Matlab

图像纹理特征提取方法

图像纹理特征提取方法

安徽大学 本科毕业论文(设计、创作) 题目:图像纹理特征提取方法研究 学生姓名:朱邵成学号:Z01114175 院(系):电气工程与自动化学院专业:自动化 入学时间:2011年9月 导师姓名:寻丽娜职称/学位:讲师/博士 导师所在单位:安徽大学电气工程与自动化学院 完成时间:2015年5月

图像纹理特征提取方法研究 摘要 近年来,随着信息多媒体时代的到来,以及网络在世界范围内的日益流行、云计算的风行,人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体,具有直观、信息量大、便于不同国家间交流的特点,是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础,用人工方式解释图像信息,其工作量我们难以想象,可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索(CBIR)包括四个阶段,分别是:获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题:选取何种算法提取哪一种图像特征,快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一,本论文也是基于图像纹理特征的提取为基础。首先,本文使用基于纹理基元的共生矩阵分析方法,用来提取纹理特征向量。此方法中,采用局部二进制模式(Local Binary Pattern,LBP)来进行图像的基本纹理基元的提取,并用灰度共生矩阵(Gray Level Co.occurrence Matrix,GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法,给出了基于 Matlab 的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词:纹理特征;灰度共生矩阵;基于内容的图像检索;Matlab

图像特征提取总结

图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 (一)特点: 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。 (二)常用的xx与匹配方法 (1)颜色直方图 其优点在于: 它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于: 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间: RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法:

直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 (2)颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间(如HSV空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。 在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系 (3)颜色矩 这种方法的数学基础在于: 图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。 (4)颜色聚合向量 其核心思想是: 将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。 (5)颜色相关图 二纹理特征 (一)特点: 纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行

遥感特征提取物具体步骤

1遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础。目前影像都是基于数字,影像信息的提取方法的发展历程可分为如图1所示,目前这四类方法共存。 图1 影像信息提取发展阶段 非监督分类步骤监督分类步骤 2三大分类方法的对比 利用传统的遥感影像分类方法, 如监督分类或非监督分类, 易造成分类精度降低, 空间数据大量冗余以及资源的浪费,面向对象的分类方法正是为了处理这些问题而出现, 面向对象的分类方法是一种智能化的自 动影像分析方法,它的分析单元不再是单个像素,而是由若干个像素组成的像素群,即目标对象。面向对象的方法利用遥感影像结构信息和光谱信息, 并建立这些特征之间的层次关系的基础上, 对影像进行分类。面向对象分类方法的关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要,实验证明多尺度图像分割方法综合了图像的光谱!形状!结构!纹理!相关布局等信息, 是目前较为理想的图像分割方法。(采用面向对象分类的方法,可使用专业遥感图像分类软件eCognition4.0) 3面向对象的分类方法

面向对象的技术流程图 3Envi_ENVI FX简介 全名叫“面向对象空间特征提取模块—Feature Extraction”,基于影像空间以及影像光谱特征,即面向对象,从高分辨率全色或者多光谱数据中提取信息,该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果,对全色数据一样适用。对于高分辨率全色数据,这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理(亮度、颜色等)的感兴趣区域。 应用于:1】从影像中尤其是大幅影像中查找和提取特征 2】添加新的矢量层到地理数据库 3】输出用于分析的分类影像 4】替代手工数字化过程 ENVI FX的操作可分为两个部分:发现对象(Find Object)和特征提取(Extract features),如图所示

纹理特征

纹理特征 纹理是指存在于图像中某一范围内的形状很小的、半周期性或有规律地排列的图案。在图像判读中使用纹理表示图像的均匀、细致、粗糙等现象。纹理是图像处理和模式识别的主要特征之一。纹理特征是指图像灰度等级的变化,这种变化是与空间统计相关的。图像的纹理特征反应了图像本身的属性,有助于图像的区分。一般的图片都具有丰富、稳定的纹理特征,且利用统计方法方法提取图像的纹理特征具有计算量小的特点。 a.统计法 a)灰度共生矩阵 假定,在一幅图像中规定了一个方向(水平的、垂直的等)和一个距离(一个象素,两个象素等)。那么该物体的共生矩阵P 的第(i,j )个元素值等于灰度级i 和j 在物体内沿该方向相距该指定距离的两个像素上同时出现的次数,除以M ,其中M 是对P 有贡献的像素对的总数。矩阵P 是N ×N 的,其中N 为灰度阴影级的划分数目。 各个共生矩阵可以通过对距离和方向的各个组合来定义。对矩阵有贡献的像素对的总数M ,比物体内部像素的个数少,而且这个数目随着距离的增加逐渐减少。因此,小物体的矩阵会相当稀疏。由于这个原因,灰度级划分N 常常被减少,例如从256级到8级,以便于共生矩阵的计算。 在水平方向上的共生矩阵,如果考虑当前像素的左右方向上的像素,则称为对称共生矩阵,如果只考虑当前像素的右或左方向上的像素,则称为非对称共生矩阵。 例如,设一幅图像的大小为M ×N ,灰度级为L ,G ={0,1,2……., L-1},f(x,y)是坐标(x,y)处像素的灰度级,一幅图像的一个共生矩阵是一个L ×L 矩阵L L ij t T *][,T 中的元素是图像灰度的空间关系,以及按特定方式表示的两灰度间变化的次数。 我们只考虑水平方向的共生矩阵,则对称共生矩阵的定义如下: ∑∑=== M i N j ij k l t 00 ),(δ (3-2) 式中 ?? ?=-==+=j k l f i k l f j k l f i k l f )1,(,),()1,(,),( ;1),(=k l δ (3-3) 否则 0),(=k l δ (3-4) 当只考虑水平方向的右边的像素,则非对称共生矩阵的定义如下: j k l f i k l f =+=)1,(,),( ;1),(=k l δ (3-5) 否则 ;0),(=k l δ (3-6) 我们得到从灰度级i 到j 变化的概率如下:

遥感影像信息提取与分析_沈占锋

计算机世界/2006年/7月/31日/第B15版 技术专题 Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,是具有自主知识产权的软件产品。 遥感影像信息提取与分析 沈占锋 近年来,一系列高分辨率卫星的相继上天,高分辨率卫星遥感的应用也因此成为可能,也凸现出遥感影像数据处理的重要性日益显现。遥感影像数据处理的主要内容就是对遥感数据(主要是高分辨率遥感影像数据)进行自动(半自动)图像处理分析,从而获取人们需要的信息。 Taries软件是具有自主知识产权的软件产品,由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。它是集矢量和栅格于一体化的软件系统。 Taries主要功能 1. 影像处理 (1)采用几何精纠正方法:建立基于空间投影理论与有限控制点的全局自适应方法,并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。 (2)实现多源遥感影像信息的特征级融合: 在像元级、高精度的多源遥感信息分析技术基础上,发展了各种特征估计器和融合评判规则,建立特征级的多源遥感信息融合的方法以及相应的算法。 2. 影像信息提取 (1)在复杂环境中的目标信息增强: 采用具有空间自适应能力的目标特征的信息增强模型与方法,特别是弱目标信息的增强方法,并对无关背景信息进行抑制。 (2)高分辨率影像分割: 基于空间特征(包括纹理特征、形状特征和动态特征)以及高维统计特征,采用面向特征的高分辨率影像分割技术(如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等)。 (3)基于智能计算模型的目标特征提取: 基于神经网络、支撑向量机等智能计算模型,研究和发展针对目标的纹理特征、结构特征的提取方法,并实现相应算法。 (4)目标识别与提取系统原型: 采用组件技术,研制开发目标识别与提取软件系统原型,包括影像精处理、目标单元分割与特征提取、目标识别等模块。 3. 矢量数据显示、处理与分析 (1)兼容ArcGIS SHP等矢量数据存储格式,能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。 (2)基于底层数据模型,能够实现基于Taries软件的矢量数据的修改功能,包括基本对象(点、线、面)的增、删、改等操作。 (3)基于相应的矢量数据建立拓扑关系,并在此基础上进行相应的空间分析功能(如最优路径查询分析等)。 (4)具有常规的矢量数据显示软件的基本功能,并可在此基础开发进一步的应用(如移动目标定位与车辆跟踪系统等)。 关键技术

相关文档
最新文档