【導(dǎo)讀】盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過(guò)的研究成果，也不包含我為獲得及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。對(duì)本研究提供過(guò)幫助和做出過(guò)貢獻(xiàn)的個(gè)人或集體，均已在文中作了明確的說(shuō)明并表示了謝意。本人完全了解大學(xué)關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（論文）的規(guī)定，即：按照學(xué)校要求提交畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版本；學(xué)校有權(quán)保存畢業(yè)設(shè)計(jì)（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務(wù)；學(xué)校可以采用影印、縮印、數(shù)字化或其它復(fù)制手段保存論文；在不以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉?jī)?nèi)容。結(jié)果表明考慮了紋理信息的面向?qū)ο蠓指钅芨鎸?shí)有效的反映圖像中地物目標(biāo)的整體結(jié)構(gòu)，為進(jìn)一步有效的地物分類提供保障。

　　

【正文】 征和數(shù)學(xué)表達(dá)。1) 粗糙度從狹義的觀點(diǎn)來(lái)看，粗糙度是最能體現(xiàn)紋理信息的一項(xiàng)。如果兩種紋理模式只限于尺度的區(qū)別時(shí)，具有較大基元尺寸的模式要比較小尺寸的模式給人的感覺(jué)更粗糙。很多學(xué)者都同意粗糙度是紋理最本質(zhì)的特征這一說(shuō)法。因此，為了更準(zhǔn)確的提取紋理特征必須先對(duì)其進(jìn)行有效的數(shù)學(xué)描述。下面將介紹粗糙度的計(jì)算過(guò)程。Step1 首先將分析圖像以大小進(jìn)行分割并計(jì)算子圖像的平均灰度值，即有： （33）其中 k = 0,1,…,5而是位于的像元灰度值。Step 2 將第一步計(jì)算得到的以為大小進(jìn)行分割并分別計(jì)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(jì)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。Step 3 在和中找到最大值對(duì)應(yīng)的k值來(lái)設(shè)置最佳尺寸： （36）Step 4 粗糙度的計(jì)算公式： （37）2) 對(duì)比度對(duì)比度是通過(guò)對(duì)像素強(qiáng)度分布情況的統(tǒng)計(jì)得到的。確切地說(shuō)，它是通過(guò)來(lái)定義的，其中181。4是四次矩而是方差。對(duì)比度是通過(guò)如下公式衡量的: （38）該值給出了整個(gè)圖像或區(qū)域中對(duì)比度的全局度量。3) 方向度Tamura提出了計(jì)算方向度的快速算法，Tamura方法的核心是構(gòu)建方向角局部邊緣概率直方圖。計(jì)算方向度的步驟如下：（1）方向度的計(jì)算需要首先計(jì)算每個(gè)像素處的梯度向量。該向量的模和方向分別定義為 （39） （310）其中?H和?V分別是通過(guò)圖像卷積下列兩個(gè)3x3操作符所得的水平和垂直方向上的變化量。（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(shí)像元的數(shù)量，t為提前給定的閾值。（3）最后圖像總體的方向性可以通過(guò)公式（312）得到。 （312）式()中p代表直方圖中的峰值，為直方圖中所有的峰值。對(duì)于某個(gè)峰值p，代表該峰值兩側(cè)谷底距離，而是波峰中心位置。4)線像度Linelikeness它是對(duì)由線組成的線性紋理的描述。 （313）其中，是局部矩陣nn的方向共生矩陣。5) 規(guī)整度 Regularity規(guī)整度可以很容易地用數(shù)學(xué)形式描述重復(fù)的模式規(guī)律。但是由于自然紋理的復(fù)雜性，往往不像有人工紋理那么規(guī)律可尋。在缺少對(duì)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。Tamura假設(shè)圖像中的任何特征的變化都會(huì)導(dǎo)致圖像變?yōu)椴灰?guī)整的。因此采用將整幅圖像分割為子圖像，通過(guò)考察子圖像的變化來(lái)反映整幅圖像的情況。對(duì)于一個(gè)子圖像考察如下四個(gè)獨(dú)立的特征：、和。采用如下公式來(lái)計(jì)算規(guī)整度。 （314）其中,r是歸一化因子；、和分別是、和的標(biāo)準(zhǔn)差。6） 粗略度 Roughness由于沒(méi)有好的描述粗糙度感覺(jué)是方法，Tamura根據(jù)心理視覺(jué)實(shí)驗(yàn)結(jié)果用粗糙度和對(duì)比度來(lái)近似描述粗略度。 （315） Tamura紋理特征的提取本文采用一張361245的高分辨率遙感圖像作為實(shí)驗(yàn)如圖32，用Tamura紋理進(jìn)行紋理特征的提取。在前面介紹的六個(gè)紋理特征中選擇前三個(gè)紋理特征進(jìn)行實(shí)驗(yàn)。圖32 原始遙感影像首先將圖像以33大小窗口進(jìn)行分割（如圖33），活動(dòng)窗口每次移動(dòng)一個(gè)像元，這樣前一個(gè)窗口和后一個(gè)窗口有六個(gè)像元是重合的。例如有窗口圖像的像元坐標(biāo)值為矩陣，則下一個(gè)窗口圖像的像元坐標(biāo)值為矩陣，依此類推。然后依此計(jì)算每一窗口圖像的粗糙度、對(duì)比度、方向度并把計(jì)算得到的結(jié)果賦予窗口圖像的中心點(diǎn)。這樣我們就得到如圖35這樣的三層紋理矩陣P(361,245,3)。為了形象看到各像元點(diǎn)包含的紋理信息將各圖層的紋理信息歸一化顯示如圖3圖35和圖36。圖33 Tamura紋理活動(dòng)窗口示意圖圖34 粗糙度的歸一化后的圖像顯示圖35 對(duì)比度的歸一化后的圖像顯示圖36方向度歸一化后的圖像顯示 基于共生矩陣的方法共生矩陣法在圖像的紋理特征分析中具有廣泛的應(yīng)用，常用的共生矩陣有灰度共生矩陣、灰度—梯度共生矩陣、灰度—平滑共生矩陣。其中灰度共生矩陣方法簡(jiǎn)單,易于實(shí)現(xiàn)被公認(rèn)為有效方法,具有較強(qiáng)的自適應(yīng)能力和魯棒性，同時(shí)還有利于反映了圖像紋理的方向性，所以被廣泛的應(yīng)用于圖像紋理分析中。 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]。,用來(lái)表示在給定的空間距離d和方向θ上,相鄰的灰度級(jí)象素對(duì)(i,j)出現(xiàn)概率。d表示統(tǒng)計(jì)象素對(duì)的相對(duì)距離,θ表示統(tǒng)計(jì)的方向。一幅圖象的灰度共生矩陣能反映出圖象灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局部模式和它們排列規(guī)則的基礎(chǔ)。設(shè)f(x,y)為待分析的遙感影像，其大小為XY，灰度級(jí)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(gè)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。若用d表示兩個(gè)象元點(diǎn)(x1,y1)和(x2,y2)間的距離, θ表示統(tǒng)計(jì)的方向與橫軸的夾角，則可以用來(lái)描述得到的方向共生矩陣。簡(jiǎn)單地說(shuō)灰度共生矩陣就是灰度在一定方向上、一定間隔距離的變化幅度。它其實(shí)就是把當(dāng)前圖像的灰度值進(jìn)行排列組合并統(tǒng)計(jì)其出現(xiàn)的頻率而得到的矩陣。 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(jì)算出一系列統(tǒng)計(jì)特性參數(shù)作為描述圖像的紋理特征量。在紋理特征參數(shù)的選擇上已有很多國(guó)內(nèi)外學(xué)者做過(guò)研究，Haralick[47]提出14種表示紋理特征的參量，Andrea Baraldi [48]等經(jīng)過(guò)對(duì)6個(gè)紋理特征的研究認(rèn)為對(duì)比度和熵是最重要的兩個(gè)特征。薄華[49]等人通過(guò)對(duì)各紋理特征的分析認(rèn)為3個(gè)不相關(guān)的且分辨力最好的三個(gè)特征為：對(duì)比度、熵和相關(guān)性。本實(shí)驗(yàn)綜合考慮以上研究成果并考慮到計(jì)算效率的問(wèn)題采用以下幾個(gè)典型的紋理特征進(jìn)行分析:角二階距、相關(guān)性、熵、逆差距和慣性矩。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(xì)程度和灰度分布均勻性的度量。從能量的計(jì)算公式（316）可以看出，能量值是由共生矩陣中各元素的平方和計(jì)算得到的。當(dāng)影像中的灰度分布比較均勻或紋理比較粗時(shí)，計(jì)算得到的灰度共生矩陣中元素將集中在主對(duì)角線上，由此計(jì)算得到的能量值就比較大。相反，如果此值較小則反映出圖像上的紋理較細(xì)或灰度分布不均勻。 （316）2) 對(duì)比度（慣性矩Inertia）圖像的對(duì)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。紋理溝紋越深，其對(duì)比度越大，視覺(jué)效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊?；叶炔罴磳?duì)比度大的象素對(duì)越多，這個(gè)值越大。對(duì)某一種紋理，沿著紋理方向得到的慣性值最小，而垂直紋理方向的慣性最大。較細(xì)的紋理的慣性I比較粗的紋理的大。計(jì)算公式見(jiàn)公式（318）。 （317）3) 相關(guān)性Correlation它度量圖像中像元灰度在一定方向上的相似程度。如果圖像上的地物具有水平方向的紋理，則由0176。方向的灰度共生矩陣計(jì)算得到的相關(guān)性值C通常要大于由其它三個(gè)方向的灰度共生矩陣計(jì)算得到的相關(guān)性值。 （318）其中：4) 熵Entropy熵是圖像所具有的總的信息量的度量，見(jiàn)公式（329）。當(dāng)然，紋理信息是圖像的信息的一部分，在其它信息一定的情況下，若熵值大則相應(yīng)的紋理信息也比較大?？偟膩?lái)說(shuō)如果圖像越復(fù)雜熵值越較大，相反，如果幾乎沒(méi)什么紋理（灰度比較均勻）則熵值也較小。 （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。值得一提的是局部均勻性的計(jì)算是根據(jù)灰度得到的，局部均勻性值大并不能絕對(duì)的說(shuō)更能真實(shí)的反映紋理信息，受到影像質(zhì)量的影響有些目標(biāo)雖然在真實(shí)世界是同一地物，但在影像上并不一定就具有一樣的灰度。局部均勻性的計(jì)算公式如下： （320）圖像勻性程度越高，均勻性指標(biāo)L的值就大；反之H的值就小。除了以上常用參數(shù)外還有差熵、方差和、均值和、方差、協(xié)方差、和熵等，當(dāng)然也可以根據(jù)需要來(lái)自定義一些紋理特征參數(shù)。雖然以上這10種特征參數(shù)都能表達(dá)紋理的某些特定信息，但存在信息冗雜、重復(fù)表述的問(wèn)題。同時(shí)如果10個(gè)紋理特征全部采，計(jì)算成本也太高。這么多的紋理特征我們要如何選擇，就成了我們目前的問(wèn)題。所以我們需要對(duì)這些特征進(jìn)行篩選，本文的紋理特征篩選工作主要是通過(guò)相關(guān)性分析來(lái)完成的。針對(duì)10種紋理特征參數(shù)所求得的相關(guān)系數(shù)矩陣見(jiàn)表31。表31 10個(gè)紋理特征間的相關(guān)系數(shù)矩陣方差 熵 差熵 方差和 和熵 逆差矩 相關(guān)性 均值和 角二階矩 對(duì)比度方差熵差熵方差和和熵逆差矩相關(guān)性均值和角二階矩對(duì)比度 通過(guò)對(duì)相關(guān)系數(shù)矩陣的分析我們可以達(dá)到篩選紋理特征的目的。先從方差開(kāi)始分析，首先我們?nèi)コ讲詈?，；然后去除和熵，；然后去除均值和?xiàng)（）；然后分析熵，所以去除差熵；經(jīng)過(guò)相關(guān)分析后剩下的相關(guān)性較小的紋理特征分別是能量、對(duì)比度、局部均質(zhì)性、熵和逆差矩。 步長(zhǎng)對(duì)各紋理特征的影響分析d取不同值對(duì)紋理特征參數(shù)值的影響。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(wú)關(guān)的量，可以固定其他參數(shù)來(lái)研究紋理特征參數(shù)值隨d增大的變化情況。于海鵬等人通過(guò)研究木材紋理信息隨d的增長(zhǎng)變化情況指出當(dāng)像素點(diǎn)對(duì)間距d從1增加到5時(shí)，能量、對(duì)比度、相關(guān)性、逆差矩、差的方差、差熵的值均受到一定影響；而方差、均值和、方差和、熵、和熵受影響較小或無(wú)影響。隨著d的增大，能量、相關(guān)性、逆差矩的值逐漸減小呈下降趨勢(shì)，至d為2時(shí)漸緩，在d等于3至5間無(wú)大的變化，基本保持一致；隨d的增大，對(duì)比度、熵、差的方差、差熵呈上升趨勢(shì)，至d為2時(shí)漸緩，在d等于3至5間基本保持一致。因此，d取3時(shí)，紋理特征參數(shù)值具有較好的代表性[50]。苑麗紅等人也對(duì)距離d的取值進(jìn)行過(guò)相應(yīng)的研究。得到如下結(jié)論，在試驗(yàn)選取的距離參數(shù)范圍為1~15,由于距離增大會(huì)造成兩像元之間的像素信息丟失增大,因此,距離長(zhǎng)度不宜過(guò)大,否則將會(huì)嚴(yán)重影響紋理特征的準(zhǔn)確性,造成灰度共生矩陣無(wú)法有效地提取到紋理的細(xì)節(jié)信息。在固化移動(dòng)窗口為16,灰度級(jí)為8,得到每幅圖片的四個(gè)特征值,最終得到四個(gè)特征值隨距離變化的曲線圖,經(jīng)過(guò)分析認(rèn)為,對(duì)于能量和熵曲線,各特征值普遍變化緩慢,在距離為4~8時(shí)尤其平穩(wěn),在距離大于8時(shí)開(kāi)始逐步回升或下降；而慣性矩和局部平穩(wěn)曲線隨著距離的增大而顯著變化,但也可找到在4~12的較平穩(wěn)區(qū)域,變化平穩(wěn)說(shuō)明在這一區(qū)間內(nèi)距離對(duì)特征值的影響較小,提取的特征比較穩(wěn)定。同時(shí),此區(qū)間內(nèi)不同紋理圖像的特征值差距明顯,有利于圖像分類或檢索時(shí)的特征識(shí)別[51]。 圖像灰度級(jí)的選擇在圖像分析過(guò)程中,要對(duì)大量圖像進(jìn)行灰度共生矩陣的計(jì)算，如果灰度級(jí)選取太大,必然會(huì)增加共生矩陣的計(jì)算量,從而影響影像分析的速度。因此,要適當(dāng)?shù)貙?duì)灰度級(jí)進(jìn)行壓縮。本文將灰度級(jí)量化為8,16,32,64,128,256,距離和窗口固化為8。從實(shí)驗(yàn)結(jié)果看出,整體上,隨著灰度級(jí)的增大慣性矩和熵兩個(gè)特征值是逐漸增大的,而能量和局部均勻性值是逐漸減小的,各曲線變化迅速,變化范圍也較大；灰度級(jí)小于16時(shí),不同紋理的慣性矩即對(duì)比度拉近；灰度級(jí)取128和256時(shí),慣性矩變化明顯,其余特征曲線趨于穩(wěn)定?；叶燃?jí)的選擇要權(quán)衡實(shí)時(shí)性要求和紋理特征的反映能量?jī)蓚€(gè)方面考慮。這兩個(gè)方面是一對(duì)矛盾體，如果對(duì)實(shí)時(shí)性要求較高，只能犧牲部分紋理特征來(lái)達(dá)到要求，如果對(duì)實(shí)時(shí)性要求不是很高，而是對(duì)紋理特征的提取精度要求較高則可以以犧牲計(jì)算時(shí)間來(lái)達(dá)到要求。在不影響圖像紋理特征的前提下,可以盡量縮減灰度值的范圍。對(duì)原本灰度分布于較小范圍內(nèi)的圖像,可先進(jìn)行直方圖均衡化處理,增加灰度值的動(dòng)態(tài)范圍,然后再進(jìn)行灰度級(jí)壓縮。由于灰度級(jí)決定子圖像對(duì)應(yīng)的公式矩陣的大小，當(dāng)圖像大小為PQ，灰度級(jí)為25