多尺度理论及图像特征
合集下载
相关主题
- 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)。
所以颜色特征不能很好地捕捉图像中对象的局部特征
– 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
1.1.1 颜色特征
• 颜色特征表达：
– 颜色直方图、颜色集、颜色矩、颜色聚合向量、颜色相关图
• 颜色直方图
– 优点：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。 – 缺点：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。
中进行信息融合，最后进行逆变换得到融合后影像的方法，细
节表现力强，但是算法相对复杂。 – 目前常用的主要有彩色模型变换方法、直方变差图、主成分分析
法、高通滤波、小波分析。 (彭晓鹃[5] ）
1.1 尺度转换结果评价
• 结果评价 (周觅[4]）：
– 遥感影像进行尺度转换后，进行了重采样，不可避免地会导致不 同程度的信息损失或变异，例如面积、形状、细节、纹理等变化。 因此，需要一些主、客观评价方法来评定不同转换方法的优劣。 – 尺度转换方法评价的标准是转换后影像能够最大限度的保持转换 前影像的有用信息。主观评价主要是靠目视解译，用目视的方法 考量尺度变换后影像的清晰程度。 – 客观评价方法： • 1.针对空间统计信息的信息熵、方差、平均梯度（清晰度）， • 2.针对光谱信息的偏差指数和相关系数等。
多尺度理论及图像特征
2012.6
1.1 尺度
广义尺度
Lam等【1】
空间尺度
时间尺度
语义尺度
制图尺度 地图比例尺
图上距离与实际 距离之比
大比例尺→小范 围、详细信息
地理尺度 观测尺度
研究的空间范围 或大小
如：大尺度覆盖 大的研究区域
运行尺度 有效尺度
地学现象发生的 空间范围 一定环境中发挥 效应的尺度 如：森林比树的 运行尺度大
• 定义（尚无统一的定义）：
– 由许多相互接近的、互相编织的元素构成 – 富有周期性
• 分类： – 人工纹理：
• 某种符号的有序排列，符号是：线、 点、字母等 • 有规则
– 自然纹理：
• 具有重复排列现象的自然景象，无规 则 • 如：砖墙、森林、草地等
1.5 纹理特征
• 纹理：
– 灰度值在空间上的变化 – 不仅反映了图像的灰度统计信息，而且反映了地物本身结构特征 和地物空间排列的关系
分辨率 测量尺度
区分目标的最小 可分辨单元 (如：像元) 遥感主要关注的 尺度
1.1 尺度研究的问题
• 尺度研究的问题（Goodchild[2]）：
– 尺度在空间模式和地表过程检测中的作用，以及尺度 对环境建模的冲击； – 尺度域（尺度不变范围）和尺度阈值的识别； – 尺度转换，尺度分析和多尺度建模方法的实现。
辨率影像转换为高分辨率影像的过程。主要是通过多源遥感信息 影像融合的方法实现的。
1.1 尺度转换方法
• 方法 (彭晓鹃[5]）（按转换基础）：
– 基于像元（简单易行）：统计方式、融合转换以及分类转换
像元包括数据的空间分辨率、时间分辨率、光谱分辨率等信息 缺点：只考虑了地物的光谱信息,无法兼顾地物的空间结构形态特征, 难以解决同谱异物和同物异谱问题,致使难以得到稳定的转换效果。 而地物类别的空间结构形态是根据类别的属性差异呈聚集状分布, 因此遥感影像中的地物类别特性不仅表现在单纯的光谱信息上,还 表现在形状、纹理等特征上。
1.1.6 空间关系
• 特点：
– 空间关系：图像中分割出的多个目标相互间的位置或相对方向关系 – 分为连接/邻接关系、交叠/重叠关系和包含/包容关系等描述图像或图 像区域所对应的景物的表面性质
• 分类：
– 相对、绝对：
• 相对空间位置信息：强调的是目标之间的相对情况，如上下左右关系等 • 绝对空间位置信息：强调的是目标之间的距离大小以及方位
– 基于对象：
• 优点：能够包含地物的空间信息,提高转换精度。
• 缺点：如何合理定义对象的分割尺度是难点。
• 转换方法：
– 地理差异法（Geographic variance method），小波变换法（Wavelet transform method），局部差异法(Local variance method)，半方差函数 法（Semivariagram based emthod），分形方法（Fractal method）
度的影像能够最大限度的反映目标地物的空间分布特征。 – 例如：一张树叶到一片森林的空间尺度是数量级，很难想像 在叶片上适用的模型会同样适用于森林。
1.1 尺度转换
• 尺度问转换(周觅[4]）：
– 在同一幅影像中也会存在不同尺度的地物，导致信息 提取时所需的最佳尺度不甚一致。但是，获取的遥感 信息数据的尺度却比较单一。因此，需要进行尺度转 换来适应不同尺度地物的提取。 – 尺度转换定义为：将一幅影像从一个空间或光谱尺度 转换到另一个空间或光谱尺度的过程。
1.1.4 边缘特征
• 常见的边缘类型：
– 阶跃不连续：
即图像强度在不连续处的两 边的像素灰度值有着显著的 差异；
理论曲线
实际曲线
– 线条不连续:
即图像强度突然从一个值变 化到另一个值，保持一较小 行程后又回到原来的值。
(a)阶跃函数 (b)线条函数
两种常见边缘一阶导数和二阶导数示意图
1.5 纹理特征
1.1 尺度转换分类
• 分类 (周觅[4],彭晓鹃[5]）（按不同的转换方向）：
– 尺度扩展（聚合）：从小尺度影像转换到大尺度影像的过程，
也就是将高分辨率影像转换为低分辨率影像的过程。 • 常见转换方法：基于统计和基于机理
– 尺度收缩（分解）：大尺度影像进行转换得到小尺度影像的
过程，从低空间分辨率数据中提取亚像元成分的信息，即把低分
– 可能性：
• 确定性空间关系：两地物间的空间关系是确定的，A存在，B就存在。 • 概率性空间关系：A存在，说明有存在B的可能性。
1.1.6 空间关系
• 优点：
– 可加强对图像内容的描述区分能力
• 缺点： – 对图像或目标的旋转、反转、尺度变化等比较敏感 – 实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地 表达场景信息。 – 为了检索，除使用空间关系特征外，还需要其它特征来配合。 • 常用的特征提取与匹配方法（两种）： – 先对图像进行自动分割，划分出图像中所包含的对象或颜色区域， 然后根据这些区域提取图像特征，并建立索引。 – 简单地将图像均匀地划分为若干规则子块，然后对每个图像子块 提取特征，并建立索引。
1.1 融合转换
• 融合(周觅[4]，彭晓鹃[5] ） ：
– 主要用于尺度收缩的转换,通过将一个尺度影像信息融入另一尺度 影像来达到尺度转换目的。遥感影像的空间细节信息多体现在高 频信息上,而光谱信息则多集中于低频部分。 (彭晓鹃[5] ） – 在转换过程中，基本原则是在尽可能保持原图像光谱信息的前提 下,提高其空间分辨率。 (彭晓鹃[5] ） – 利用高空间分辨率影像和高光谱分辨率影像进行融合，使得融合 后的影像具有较高的空间分辨率有利于目视解译，同时还有较高
• 优点：
– 具有旋转不变性，且对噪声有较强的抵抗能力
• 缺点：
– 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
– 可能受到光照、反射情况的影响，从2D图中反映出来的纹理不一定 是3D物体表面真实的纹理
– 可用于检索具有粗细、疏密等方面较大差别的纹理图像；如果纹理之
间的粗细、疏密相差不大，则难于应用。 – 将纹理信息应用于检索时，有时这些虚假纹理会对检索造成“误导”。
1.1 遥感尺度问题
• 遥感尺度问题（李小文 [3],周觅[4]）：
– 遥感主要关注的是测量尺度，不同来源的遥感信息数据在时 间尺度和空间尺度上都有着很大的差距，在一个尺度上观察 到的现象、总结出的规律、构建的模型，在另一个尺度下则 有可能不适用。
– 因此，需要根据不同应用目的选择最佳的尺度，使得所选尺
1.1.3 几何形状
• 几何特征：
– 周长、面积、距离、位置与方向等特征
源自文库
• 形状内容：
– 矩形度、宽长比、球状性、圆形度、不变矩、偏心率
• 形状特征描述方法
– 轮廓特征： • 边界特征法、傅里叶形状描述符法 – 区域特征： • 几何参数法、形状不变矩法、有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述 符（Wavelet Descriptor）等
的光谱分辨率，同时还为后续的光谱运算、光谱分析提供了可能。
(周觅[4]）
1.1 融合转换
• 融合 (周觅[4]，彭晓鹃[5] ）：
– 尺度收缩的方法：基于空间域和基于变换域。 (周觅[4]） • 1.基于空间域的融合：针对影像的像素灰度值直接进行运算的 方法，算法简单、易于实现，但是细节表现力达不到要求； • 2.基于变换域的融合：先将原始图像进行变换，然后在变换域
1.1.3 形状特征
• 优点：
– 可以有效利用图像中感兴趣的目标来进行检索。
• 缺点：
– 目前基于形状的检索方法还缺乏比较完善的数学模型； – 如果目标有变形时，检索结果往往不太可靠； – 许多形状特征仅描述了目标局部的性质，要全面描述目标常对计 算时间和存储量有较高的要求； – 许多形状特征所反映的目标形状信息与人的直观感觉不完全一致， 或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。 – 从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的 投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状， 由于视点的变化，可能会产生各种失真。
1.1 图像特征
几何形状
颜色特征
色
亮度信息特征
（光谱）
图像 特征
边缘特征 纹理特征 空间关系
形
色调、颜色、阴影、反差
形状、大小、空间布局、纹理
1.1.1 颜色特征
• 特点：
– 全局特征、基于像素点的特征
– 描述图像或图像区域所对应的景物的表面性质
– 颜色对图像或图像区域的方向、大小等变化不敏感，
1.1.4 边缘特征
• 特点
– 边缘是指周围像素灰度有阶跃变化或屋 顶变化的那些像素的集合。
– 能大大地减少所要处理的信息，但是又
保留了图像中物体的形状信息。 • 边缘检测方法： – 传统边缘检测方法 • Roberts算子、 Sobel算子、 高斯-拉 普拉斯算子等 – Canny边缘检测 – 小波多尺度边缘检测
不同特征的相对特点
形状vs纹理
• 通常纹理特征比较容易获得，而形状特征的计算比较复杂
形状vs颜色 • 颜色特征多具有平移、旋转和尺度不变性，而不少形状特征（如边缘 方向）只具有平移不变性 纹理vs颜色 • 颜色特征充分利用了图像的色彩信息，而纹理特征只利用了图像的灰 度信息（彩色纹理特征不多见） • 颜色特征侧重于图像整体信息的描述，而纹理特征更偏重于局部
• 特点：
– 全局特征，非基于像素点的特征、表面特征 – 仅仅利用纹理特征是无法获得高层次图像内容的仅使用颜色特征 (原因：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) – 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 – 局部区域中像素位置之间的相关性
1.5 纹理特征
– 基于对象：对遥感影像纹理特征的提取及合理分割
以对象为基本单元,在高空间分辨率影像上利用影像多尺度分割技 术,构建不同尺度的影像信息等级结构,实现遥感影像信息在不同尺 度层之间的传递。
1.1 尺度转换方法
• 转换方法比较 (彭晓鹃[5]）：
– 基于像元（简单易行）：
• 优点：易于操作 • 缺点：无法有效利用影像提供的地物空间信息,导致精度难以提高。
1.1.2 亮度信息特征
• 特点：
• 图象上的每一个象元亮度值的大小反映了他所对应的 地面范围内地物的平均辐射亮度，该亮度值受到地物 的成分，结构，状态，表面特征等因素的影响。 • 光谱响应特征在多光谱遥感影像地物识别中是最直接 也是最重要的解译元素，地表的各种地物由于物质组 成和结构不同而据有独特的波普反射和辐射特征，在 图像上反映为各类地物亮度值的差异，因此可以根据 这种亮度值的差异来识别不同的物体。 • 影像各波段的亮度值是地表光谱特征通过大气层的影 响被卫星传感器接收记录的数据，每个象元各波段的 亮度值代表了该象元中地物平均反射和辐射值的大小。
– 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
1.1.1 颜色特征
• 颜色特征表达：
– 颜色直方图、颜色集、颜色矩、颜色聚合向量、颜色相关图
• 颜色直方图
– 优点：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。 – 缺点：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。
中进行信息融合，最后进行逆变换得到融合后影像的方法，细
节表现力强，但是算法相对复杂。 – 目前常用的主要有彩色模型变换方法、直方变差图、主成分分析
法、高通滤波、小波分析。 (彭晓鹃[5] ）
1.1 尺度转换结果评价
• 结果评价 (周觅[4]）：
– 遥感影像进行尺度转换后，进行了重采样，不可避免地会导致不 同程度的信息损失或变异，例如面积、形状、细节、纹理等变化。 因此，需要一些主、客观评价方法来评定不同转换方法的优劣。 – 尺度转换方法评价的标准是转换后影像能够最大限度的保持转换 前影像的有用信息。主观评价主要是靠目视解译，用目视的方法 考量尺度变换后影像的清晰程度。 – 客观评价方法： • 1.针对空间统计信息的信息熵、方差、平均梯度（清晰度）， • 2.针对光谱信息的偏差指数和相关系数等。
多尺度理论及图像特征
2012.6
1.1 尺度
广义尺度
Lam等【1】
空间尺度
时间尺度
语义尺度
制图尺度 地图比例尺
图上距离与实际 距离之比
大比例尺→小范 围、详细信息
地理尺度 观测尺度
研究的空间范围 或大小
如：大尺度覆盖 大的研究区域
运行尺度 有效尺度
地学现象发生的 空间范围 一定环境中发挥 效应的尺度 如：森林比树的 运行尺度大
• 定义（尚无统一的定义）：
– 由许多相互接近的、互相编织的元素构成 – 富有周期性
• 分类： – 人工纹理：
• 某种符号的有序排列，符号是：线、 点、字母等 • 有规则
– 自然纹理：
• 具有重复排列现象的自然景象，无规 则 • 如：砖墙、森林、草地等
1.5 纹理特征
• 纹理：
– 灰度值在空间上的变化 – 不仅反映了图像的灰度统计信息，而且反映了地物本身结构特征 和地物空间排列的关系
分辨率 测量尺度
区分目标的最小 可分辨单元 (如：像元) 遥感主要关注的 尺度
1.1 尺度研究的问题
• 尺度研究的问题（Goodchild[2]）：
– 尺度在空间模式和地表过程检测中的作用，以及尺度 对环境建模的冲击； – 尺度域（尺度不变范围）和尺度阈值的识别； – 尺度转换，尺度分析和多尺度建模方法的实现。
辨率影像转换为高分辨率影像的过程。主要是通过多源遥感信息 影像融合的方法实现的。
1.1 尺度转换方法
• 方法 (彭晓鹃[5]）（按转换基础）：
– 基于像元（简单易行）：统计方式、融合转换以及分类转换
像元包括数据的空间分辨率、时间分辨率、光谱分辨率等信息 缺点：只考虑了地物的光谱信息,无法兼顾地物的空间结构形态特征, 难以解决同谱异物和同物异谱问题,致使难以得到稳定的转换效果。 而地物类别的空间结构形态是根据类别的属性差异呈聚集状分布, 因此遥感影像中的地物类别特性不仅表现在单纯的光谱信息上,还 表现在形状、纹理等特征上。
1.1.6 空间关系
• 特点：
– 空间关系：图像中分割出的多个目标相互间的位置或相对方向关系 – 分为连接/邻接关系、交叠/重叠关系和包含/包容关系等描述图像或图 像区域所对应的景物的表面性质
• 分类：
– 相对、绝对：
• 相对空间位置信息：强调的是目标之间的相对情况，如上下左右关系等 • 绝对空间位置信息：强调的是目标之间的距离大小以及方位
– 基于对象：
• 优点：能够包含地物的空间信息,提高转换精度。
• 缺点：如何合理定义对象的分割尺度是难点。
• 转换方法：
– 地理差异法（Geographic variance method），小波变换法（Wavelet transform method），局部差异法(Local variance method)，半方差函数 法（Semivariagram based emthod），分形方法（Fractal method）
度的影像能够最大限度的反映目标地物的空间分布特征。 – 例如：一张树叶到一片森林的空间尺度是数量级，很难想像 在叶片上适用的模型会同样适用于森林。
1.1 尺度转换
• 尺度问转换(周觅[4]）：
– 在同一幅影像中也会存在不同尺度的地物，导致信息 提取时所需的最佳尺度不甚一致。但是，获取的遥感 信息数据的尺度却比较单一。因此，需要进行尺度转 换来适应不同尺度地物的提取。 – 尺度转换定义为：将一幅影像从一个空间或光谱尺度 转换到另一个空间或光谱尺度的过程。
1.1.4 边缘特征
• 常见的边缘类型：
– 阶跃不连续：
即图像强度在不连续处的两 边的像素灰度值有着显著的 差异；
理论曲线
实际曲线
– 线条不连续:
即图像强度突然从一个值变 化到另一个值，保持一较小 行程后又回到原来的值。
(a)阶跃函数 (b)线条函数
两种常见边缘一阶导数和二阶导数示意图
1.5 纹理特征
1.1 尺度转换分类
• 分类 (周觅[4],彭晓鹃[5]）（按不同的转换方向）：
– 尺度扩展（聚合）：从小尺度影像转换到大尺度影像的过程，
也就是将高分辨率影像转换为低分辨率影像的过程。 • 常见转换方法：基于统计和基于机理
– 尺度收缩（分解）：大尺度影像进行转换得到小尺度影像的
过程，从低空间分辨率数据中提取亚像元成分的信息，即把低分
– 可能性：
• 确定性空间关系：两地物间的空间关系是确定的，A存在，B就存在。 • 概率性空间关系：A存在，说明有存在B的可能性。
1.1.6 空间关系
• 优点：
– 可加强对图像内容的描述区分能力
• 缺点： – 对图像或目标的旋转、反转、尺度变化等比较敏感 – 实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地 表达场景信息。 – 为了检索，除使用空间关系特征外，还需要其它特征来配合。 • 常用的特征提取与匹配方法（两种）： – 先对图像进行自动分割，划分出图像中所包含的对象或颜色区域， 然后根据这些区域提取图像特征，并建立索引。 – 简单地将图像均匀地划分为若干规则子块，然后对每个图像子块 提取特征，并建立索引。
1.1 融合转换
• 融合(周觅[4]，彭晓鹃[5] ） ：
– 主要用于尺度收缩的转换,通过将一个尺度影像信息融入另一尺度 影像来达到尺度转换目的。遥感影像的空间细节信息多体现在高 频信息上,而光谱信息则多集中于低频部分。 (彭晓鹃[5] ） – 在转换过程中，基本原则是在尽可能保持原图像光谱信息的前提 下,提高其空间分辨率。 (彭晓鹃[5] ） – 利用高空间分辨率影像和高光谱分辨率影像进行融合，使得融合 后的影像具有较高的空间分辨率有利于目视解译，同时还有较高
• 优点：
– 具有旋转不变性，且对噪声有较强的抵抗能力
• 缺点：
– 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
– 可能受到光照、反射情况的影响，从2D图中反映出来的纹理不一定 是3D物体表面真实的纹理
– 可用于检索具有粗细、疏密等方面较大差别的纹理图像；如果纹理之
间的粗细、疏密相差不大，则难于应用。 – 将纹理信息应用于检索时，有时这些虚假纹理会对检索造成“误导”。
1.1 遥感尺度问题
• 遥感尺度问题（李小文 [3],周觅[4]）：
– 遥感主要关注的是测量尺度，不同来源的遥感信息数据在时 间尺度和空间尺度上都有着很大的差距，在一个尺度上观察 到的现象、总结出的规律、构建的模型，在另一个尺度下则 有可能不适用。
– 因此，需要根据不同应用目的选择最佳的尺度，使得所选尺
1.1.3 几何形状
• 几何特征：
– 周长、面积、距离、位置与方向等特征
源自文库
• 形状内容：
– 矩形度、宽长比、球状性、圆形度、不变矩、偏心率
• 形状特征描述方法
– 轮廓特征： • 边界特征法、傅里叶形状描述符法 – 区域特征： • 几何参数法、形状不变矩法、有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述 符（Wavelet Descriptor）等
的光谱分辨率，同时还为后续的光谱运算、光谱分析提供了可能。
(周觅[4]）
1.1 融合转换
• 融合 (周觅[4]，彭晓鹃[5] ）：
– 尺度收缩的方法：基于空间域和基于变换域。 (周觅[4]） • 1.基于空间域的融合：针对影像的像素灰度值直接进行运算的 方法，算法简单、易于实现，但是细节表现力达不到要求； • 2.基于变换域的融合：先将原始图像进行变换，然后在变换域
1.1.3 形状特征
• 优点：
– 可以有效利用图像中感兴趣的目标来进行检索。
• 缺点：
– 目前基于形状的检索方法还缺乏比较完善的数学模型； – 如果目标有变形时，检索结果往往不太可靠； – 许多形状特征仅描述了目标局部的性质，要全面描述目标常对计 算时间和存储量有较高的要求； – 许多形状特征所反映的目标形状信息与人的直观感觉不完全一致， 或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。 – 从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的 投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状， 由于视点的变化，可能会产生各种失真。
1.1 图像特征
几何形状
颜色特征
色
亮度信息特征
（光谱）
图像 特征
边缘特征 纹理特征 空间关系
形
色调、颜色、阴影、反差
形状、大小、空间布局、纹理
1.1.1 颜色特征
• 特点：
– 全局特征、基于像素点的特征
– 描述图像或图像区域所对应的景物的表面性质
– 颜色对图像或图像区域的方向、大小等变化不敏感，
1.1.4 边缘特征
• 特点
– 边缘是指周围像素灰度有阶跃变化或屋 顶变化的那些像素的集合。
– 能大大地减少所要处理的信息，但是又
保留了图像中物体的形状信息。 • 边缘检测方法： – 传统边缘检测方法 • Roberts算子、 Sobel算子、 高斯-拉 普拉斯算子等 – Canny边缘检测 – 小波多尺度边缘检测
不同特征的相对特点
形状vs纹理
• 通常纹理特征比较容易获得，而形状特征的计算比较复杂
形状vs颜色 • 颜色特征多具有平移、旋转和尺度不变性，而不少形状特征（如边缘 方向）只具有平移不变性 纹理vs颜色 • 颜色特征充分利用了图像的色彩信息，而纹理特征只利用了图像的灰 度信息（彩色纹理特征不多见） • 颜色特征侧重于图像整体信息的描述，而纹理特征更偏重于局部
• 特点：
– 全局特征，非基于像素点的特征、表面特征 – 仅仅利用纹理特征是无法获得高层次图像内容的仅使用颜色特征 (原因：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) – 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 – 局部区域中像素位置之间的相关性
1.5 纹理特征
– 基于对象：对遥感影像纹理特征的提取及合理分割
以对象为基本单元,在高空间分辨率影像上利用影像多尺度分割技 术,构建不同尺度的影像信息等级结构,实现遥感影像信息在不同尺 度层之间的传递。
1.1 尺度转换方法
• 转换方法比较 (彭晓鹃[5]）：
– 基于像元（简单易行）：
• 优点：易于操作 • 缺点：无法有效利用影像提供的地物空间信息,导致精度难以提高。
1.1.2 亮度信息特征
• 特点：
• 图象上的每一个象元亮度值的大小反映了他所对应的 地面范围内地物的平均辐射亮度，该亮度值受到地物 的成分，结构，状态，表面特征等因素的影响。 • 光谱响应特征在多光谱遥感影像地物识别中是最直接 也是最重要的解译元素，地表的各种地物由于物质组 成和结构不同而据有独特的波普反射和辐射特征，在 图像上反映为各类地物亮度值的差异，因此可以根据 这种亮度值的差异来识别不同的物体。 • 影像各波段的亮度值是地表光谱特征通过大气层的影 响被卫星传感器接收记录的数据，每个象元各波段的 亮度值代表了该象元中地物平均反射和辐射值的大小。