【正文】 雜程度和紋理的描述間的平衡點就顯的格外的重要。一般這類方法的處理過程是這樣的：首先對圖像進行濾波,把各濾波通道的輸出認為是初始特征，且認為初始特征的差異包含了紋理信息的差異；接下來的進行局部能量的估計。人對自然界的事物的認知是建立在在頭腦中巨大物體模型和常識供其識別使用。Gabor濾波器提取紋理特征主要包括兩個過程:首先設(shè)計濾波器；然后從濾波器的輸出結(jié)果中提取有效紋理特征集。與此同時,每種分辨率的圖像由代表不同方向信息的一系列高頻子帶圖像組成,使用小波高頻子帶特征的目的在于它們可以反映圖像的紋理特性。這就使得其在實際應(yīng)用中受到限制。濾波法的優(yōu)勢主要體現(xiàn)在兩個方面：第一它能對紋理進行多分辨表示,能在更精細的尺度上分析紋理；第二小波符合人類視覺特征,由此提取的特征也是有利于紋理圖像分割，能夠同時結(jié)合空間和頻域進行紋理特征的分析。小波多應(yīng)用于標(biāo)準(zhǔn)或規(guī)則紋理圖像,而對于背景更復(fù)雜的自然圖像,由于存大量的噪聲干擾往往效果不佳。這樣就可以以基元特征和排列規(guī)則進行紋理分割。基于結(jié)構(gòu)分析的方法主要有句法分析和數(shù)學(xué)形態(tài)學(xué)法。強調(diào)紋理基元的形狀屬性,但是由于二值紋理圖像的假設(shè),使其應(yīng)用受限。共生矩陣法是通過統(tǒng)計相隔d像元距離的一對像元分別具有灰度層i和j的出現(xiàn)概率來描述紋理信息的。還有人通過研究各描述紋理特征指標(biāo)間的相關(guān)性來減少指標(biāo)，從而達到減少計算量的目的。也有學(xué)者[11]用該方法對大量的人造紋理圖像和自然紋理圖像進行分割，實驗結(jié)果表明該方法對人造紋理以及大多數(shù)自然紋理的分割效果都是不錯的。這足以證明共生矩陣在紋理分析中的優(yōu)越性。第2章 面向?qū)ο笥跋穹治黾夹g(shù)全面介紹了面向?qū)ο蠓指罘椒ǖ膬?yōu)越性和技術(shù)特點，并以面向?qū)ο蟮倪吘墮z測方法——Hough變換和區(qū)域增長的方法為例進行了說明。尤其對共生矩陣法中各參數(shù)的選取對紋理特征的影響做了詳盡的研究。最后用優(yōu)度實驗法進行了評價分析。本文將就Hough變換和區(qū)域增長法進行影像分析，并對算法本身進行分析和改進。還可以自定義其它信息，如對象之間的拓撲關(guān)系從而有可能實現(xiàn)地理信息系統(tǒng)中的空間分析。這種類型特征的重要例子是給定了類和子對象數(shù)量相關(guān)邊界的鄰里對象。每個影像對象都知道它的相鄰對象、它的子對象以及它的父對象，通過垂直連接對象，可以訪問尺度、紋理、形狀和空間位置等屬性。一些商業(yè)化的遙感圖像處理軟件，雖然提供了簡單的影像分類和信息提取方法，但所基于分類方法非常，往往不僅效率非常低，也難于達到實用的要求和精度。影像最小單元為單一的對象，所有后續(xù)的分類工作基于影像對象進行分類，從而分類結(jié)果可以避免斑點噪聲。2) 更智能化。面向?qū)ο蟮挠跋穹治龇梢愿鶕?jù)相鄰對象的類別限定本對象可能所屬的類別，分類中可以利用層次與鄰接參數(shù)使分類更準(zhǔn)確且易于描述。當(dāng)然我舉的例子是空間尺度的，廣義的尺度包含功能尺度和時空尺度等。由于存在尺度效應(yīng)，我們的研究往往會指定某現(xiàn)象在某尺度下的規(guī)律是怎么樣的。它可以提取原始同質(zhì)影像對象的任意空間大小，尤其在局部對比中被考慮到。多尺度分割的特點就是能夠綜合不同尺度的圖像信息。在自然界幾乎所有的現(xiàn)象都不同程度的具有尺度效應(yīng)，面向?qū)ο蟮木C合不同尺度信息的特性使得我們解決多現(xiàn)象對應(yīng)多尺度的問題更為簡單。對圖像進行多尺度分解是多尺度分析方法中的一個重要步驟，如圖22為用面向?qū)ο笥跋穹治鲕浖Cognation產(chǎn)生的不同尺度的分割示意圖。金字塔上越是靠上的圖層其尺度越大，同時也越粗糙，包含的信息也越少。通常我們對圖像直接進行邊緣檢測，由于光照或圖像噪聲的影響所得到的邊緣點基本不連續(xù)，導(dǎo)致難以進行近一步描述和運算。經(jīng)上處理后可得到比較準(zhǔn)確的邊緣點，然后按照相應(yīng)的直線或圓等擬合方程，同時也實現(xiàn)了對這些目標(biāo)的“對象化”。假設(shè)在圖像空間，所有經(jīng)過點的直線都滿足方程： （21）其中為斜率，為截距。如果直線方程斜率為無窮大，會使累加器的尺寸變得很大，從而增加了計算的復(fù)雜度并降低了算法檢測的速度，因此，通常采用直線極坐標(biāo)方程[31]： （23）在極坐標(biāo)中便是圖24(b)所示的點(θ,ρ)在極坐標(biāo)里，橫坐標(biāo)為直線的法向角θ，縱坐標(biāo)為笛卡兒坐標(biāo)原點到直線的法向距離ρ。在圖24(f)中還可以看到這三條曲線有兩個交點， 其實這兩個交點的所對應(yīng)的橫坐標(biāo)值即法向角數(shù)值相差 180186。設(shè)已知一黑白圖像上畫了一條直線，要求出這條直線所在的位置如圖25在此我們假設(shè)直線的的方程為，其中k和b是參數(shù)斜率和截距。我們就是通過參數(shù)平面的情況來描述原圖像上的點是否為同一直線上的點。Hough變換前必須對原圖像進行一些必要的預(yù)處理，這些預(yù)處理工作包括灰度化，利用一定的邊緣提取算子進行邊緣提取，然后再設(shè)定一個灰度閾值對圖像進行二值化處理。根據(jù)其原理就可以進行目標(biāo)對象的檢測，圖26(b)即用如上的方法計算得到五角星的邊緣。在Hough變換的推廣應(yīng)用中比較多的是針對圓和橢圓的檢測。那么原圖像空間中的一個圓對應(yīng)了參數(shù)空間中的一個點；原圖像中一個點對應(yīng)參數(shù)空間的一個圓錐面簇，參數(shù)空間中的一個點對應(yīng)了圖像空間中的一個圓。對于已知r的情況，原始圖像上的一個圓對應(yīng)參數(shù)空間上的一點，原始圖像上的一點對應(yīng)參數(shù)空間上的一個圓。在遙感圖像中圓形和橢圓形的地物極為少見，所以本文對Hough變換對圓和橢圓檢測在遙感中的應(yīng)用沒有進行深入的研究。區(qū)域生長以種子選擇和區(qū)域形成為核心，最終提取目標(biāo)區(qū)域。可以看出這是一個迭代的過程，這里每個種子像素點都迭代生長。根據(jù)增長的方式不同可以將區(qū)域增長法分為單連接區(qū)域生長、中心連接區(qū)域生長和混合連接生長。l) 基于區(qū)域灰度差平均灰度的均勻測度度量可以作為區(qū)域生長的相似性準(zhǔn)則。KolmogorovSmimov檢測: (28)SmoothedDifference檢測: (29)和分別為兩鄰接區(qū)域的累積灰度直方圖。3) 基于區(qū)域形狀在決定對區(qū)域的合并時也可以利用對目標(biāo)形狀的檢測結(jié)果，常用的方法有兩種。一般的區(qū)域增長法主要有如下幾個步驟：第一步，輸入初始種子點的位置，；第二步，逐個檢測當(dāng)前種子點與其四鄰域點的灰度差，如果灰度差小于預(yù)先確定的閾值，將它們合并；第三步，更新種子點，跳轉(zhuǎn)到第二步，檢查新種子點的鄰域，直到區(qū)域不能繼續(xù)增長為止；采用上述方法得到的結(jié)果對區(qū)域生長起點的選擇有較大依賴性，且通常應(yīng)用于提取圖像中特定的區(qū)域，具有提供幾個種子點提取幾個感興趣區(qū)域的特點，所以不具有通用性，為克服這個問題有學(xué)者采用下面的改進方法：第一步，建立與原始圖像同樣大小的標(biāo)記矩陣，從圖像的左上角第一個像元為第一個區(qū)域的種子點；第二步，逐個檢測當(dāng)前種子點與其四鄰域點的灰度差，如果灰度差小于預(yù)先確定的閾值，將它們合并；第三步，更新種子點和標(biāo)記矩陣，跳轉(zhuǎn)到第二步，檢查新種子點的鄰域，直到區(qū)域不能繼續(xù)增長為止；第四步，跳轉(zhuǎn)到第一步，在標(biāo)記矩陣中按逐行掃描下一個為被標(biāo)記的像元的位置，將此位置對應(yīng)的像元作為新區(qū)域的種子點，跳轉(zhuǎn)第二步。經(jīng)過認真分析并結(jié)合該算法的一個的分割結(jié)果（圖212），總結(jié)此算法還存在以下幾個問題：1）抗噪聲和干擾能力弱，使得分割結(jié)果破損成程度很高；2）算法中的增長準(zhǔn)則不是很合理并且單一，當(dāng)出現(xiàn)相鄰的兩個地物為“同物異譜”或“同譜異物”時算法失靈；3）但是當(dāng)圖像存在緩慢變換時，還是會存在錯分割的情況；4）終止條件的選擇不夠恰當(dāng)使得分割結(jié)果并不是很精確；圖211 用普通區(qū)域增長法分割的原始遙感圖像圖212 用普通區(qū)域增長法分割的結(jié)果圖 區(qū)域增長法的改進經(jīng)過改進后的算法的整體流程大概分為（如圖213）三個部分：圖213 改進后的分割流程圖圖像預(yù)處理部分主要是噪聲的去除和圖像增強，當(dāng)然根據(jù)當(dāng)前的目標(biāo)影像的具體情況預(yù)處理的工作也可能會有不同。 算法的抗噪性造成傳統(tǒng)的區(qū)域增長法分割結(jié)果破碎度高的另外一個原因是算法本身的抗噪聲干擾能力差。第二，從算法本身容錯能力上著手，將紋理信息也作為增長準(zhǔn)則的一部分，使紋理信息和灰度信息各占一定的權(quán)重?；叶确从沉说匚锓瓷潆姶挪芰康拇笮。堑匚锾卣鬏^為直觀的反映，但是，由于光譜信息易受外界的因素干擾，如大氣輻射、散射以及成像時的大氣云層等，使得同一地物在影像上的灰度值并不一定是一樣的。新的增長準(zhǔn)則如下：其中, 為n個子規(guī)則，為各子規(guī)則的權(quán)重，R稱為規(guī)則集值。新的增長準(zhǔn)則同時可以避免“無限容差現(xiàn)象”。這樣可以避免種子點與鄰域點比較造成的“無限容差現(xiàn)象”。本文以一個像元點為例實現(xiàn)了孤立點的判斷和去除，具體算法如下：neigb8=[1 0。1 0。%正上方開始逆時針八鄰域判斷isolated_num=0。%記錄與該點處值不同的鄰域點的個數(shù) for j=1:8,% 循環(huán)種子點的八個鄰域點 xn =x+neigb8(j,1)。 end end end if(統(tǒng)計得到的與該點處值不同的鄰域點數(shù)與該點的鄰域點數(shù)相同) isolated_num=isolated_num+1。 end end end endend實驗結(jié)果可以參看圖215和圖216。邊緣檢測是檢測像元的急速變換的地方，由于圖像的邊緣通常像元值的變換較大，所以稱為邊緣檢測。而Hough變換只能單一的檢測直線和圓及弧狀的地物目標(biāo)。對于這種遙感數(shù)據(jù)用傳統(tǒng)的影像分析方法就會存在“椒鹽現(xiàn)象”和不能區(qū)分同譜異物以及“異物同譜”現(xiàn)象。紋理可以定義為圖像的某種局部性質(zhì)，描述了局部區(qū)域中像素之間的關(guān)系，也可以在一定程度上描述圖像中的空間信息?；谝陨显颍y理特征在遙感影像分析中得到了廣泛的應(yīng)用，用戶可以根據(jù)紋理信息進行目標(biāo)地物的提取，也可以檢索包含一定紋理信息的其他圖像。共生矩陣的方法首先建立一個基于像素對之間方向和距離的共生矩陣，然后利用該共生矩陣計算出有意義的統(tǒng)計量來表示圖像的紋理特征。紋理譜刻畫了圖像像素點在某鄰域內(nèi)的灰度變化，Ojala等人引入了局域二值模式作為紋理算子來分析圖像紋理特征[41]，考慮像素點33的鄰域，用表示圖像在像素點(x,y)的鄰域內(nèi)的灰度變化，即灰度差： （31）其中為灰度差值量化的閾值。因此定義所有紋理單元的出現(xiàn)頻率為紋理譜[43]，從而可生成紋理譜直方圖。Tamura紋理在視覺上的優(yōu)點使得該技術(shù)在圖像檢索鄰域應(yīng)用非常廣泛[45]。很多學(xué)者都同意粗糙度是紋理最本質(zhì)的特征這一說法。Step 2 將第一步計算得到的以為大小進行分割并分別計算垂直方向上和水平方向上相鄰窗口之間的平均灰度差，計算公式如下： （34） （35）其中，為水平方向平均差，為垂直方向平均差，k=0,1,…,5。對比度是通過如下公式衡量的: （38）該值給出了整個圖像或區(qū)域中對比度的全局度量。（2）構(gòu)造方向角局部邊緣概率直方圖： （311）式()中是當(dāng)|ΔG|大于等于t且值在和之間時像元的數(shù)量，t為提前給定的閾值。4)線像度Linelikeness它是對由線組成的線性紋理的描述。在缺少對象的形狀和尺寸信息的情況下要準(zhǔn)確描述自然紋理的紋理信息就顯的更難了。采用如下公式來計算規(guī)整度。在前面介紹的六個紋理特征中選擇前三個紋理特征進行實驗。這樣我們就得到如圖35這樣的三層紋理矩陣P(361,245,3)。 灰度共生矩陣（GLCM）的定義灰度共生矩陣是共生矩陣的一種，它是圖像紋理分析中常用具有良好的目標(biāo)分類效果的特征提取方法[46]。設(shè)f(x,y)為待分析的遙感影像，其大小為XY，灰度級別為N,則滿足一定空間關(guān)系的灰度共生矩陣為:其中Count表示在一定距離下的兩個像元的灰度值分別為i和j出現(xiàn)的次數(shù)，P為NN大小的矩陣。 灰度共生矩陣導(dǎo)出的紋理特征及相關(guān)性研究基于共生矩陣可以計算出一系列統(tǒng)計特性參數(shù)作為描述圖像的紋理特征量。為了能更直觀地以共生矩陣描述紋理狀況，從共生矩陣導(dǎo)出一些反映矩陣狀況的參數(shù)，典型的有以下幾種：1) 角二階矩Angular Second Moment角二階矩也叫能量，是反映紋理的粗細程度和灰度分布均勻性的度量。 （316）2) 對比度（慣性矩Inertia）圖像的對比度可以理解為圖像的清晰度，反映了圖像的清晰度和紋理溝紋深淺的程度。較細的紋理的慣性I比較粗的紋理的大。方向的灰度共生矩陣計算得到的相關(guān)性值C通常要大于由其它三個方向的灰度共生矩陣計算得到的相關(guān)性值。 （319）5)局部均勻性（逆差距Homogeneity）它反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。雖然以上這10種特征參數(shù)都能表達紋理的某些特定信息，但存在信息冗雜、重復(fù)表述的問題。針對10種紋理特征參數(shù)所求得的相關(guān)系數(shù)矩陣見表31。為忽略方向差異的影響，使特征參數(shù)值成為與圖像旋轉(zhuǎn)無關(guān)的量，可以固定其他參數(shù)來研究紋理特征參數(shù)值隨d增大的變化情況。苑麗紅等人也對距離d的取值進行過相應(yīng)的研究。 圖像灰度級的選擇在圖像分析過程中,要對大量圖像進行灰度共生矩陣的計算，如果灰度級選取太大,必然會增加共生矩陣的計算量,從而影響影像分析的速度?；叶燃壍倪x擇要權(quán)衡實時性要求和紋理特征的反映能量兩個方面考慮。由于灰度級決定子圖像對應(yīng)的公式矩陣的大小，當(dāng)圖像大小為PQ，灰度級為25