纹理特征&GLCM
合集下载
- 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)。
j 0
（3）标准差
Std
quantk quantk i 0 j 0
p(i, j ) * (i Mean)
2
方差、标准差反映像元值与均值偏差的度量，当图像中灰度变化较大 时，方差、标准差值较大。
GLCM纹理统计量
（4）同质度
Homogeneity
quantk quantk
0 0 0 4 0 0
0 0 4 0
0 6 0 0 0 4 0
0 0 0
0 0 6 0 0 0
4 0 0 0
粗 纹 理
细 纹 理
GLCM稀疏矩阵处理方法
稀疏矩阵是指这样一种矩阵，在该矩阵中，非零元素的比例很小。
如计算GLCM中，会遇到稀疏矩阵。 产生的原因：根据灰度共生矩阵的定义，如果一幅影像的灰度级别为 0-255，在没有进行图像压缩的情况下，就生产256*256的灰度共 生矩阵。在面向对象GLCM计算过程中，对象的GLCM只是由对象内 部像素来产生，而对象相对来说一般都较为均一，相对的灰度值范围 较小，这就导致灰度共生矩阵中实际存储的非零元素所占比例很少。 解决方法：只存储非零元素
GLCM影响因子
基于GLCM的纹理分析需要综合考虑以下几个因素：
图像的灰度级 光谱波段 不同特征值选择 移动方向 窗口大小和移动步长（基于像素GLCM计算中）
例：计算一景TM影像，灰度级8bit（0-255），6个波段，8个特征值， 4个移动方向，7种窗口大小，3种移动步长 计算量大！ 结果：256*256维的灰度共生矩阵，4032种计算结果（面向对象的 是192种计算结果）
Correlation
quantk quantk
i 0 j 0
(i Mean) * ( j Mean) * p(i, j ) 2 Variance
描述GLCM中行或列元素之间的相似程度的，它反映某种灰度值沿某方向的延 伸长度，若延伸的越长，则相关性越大，它是灰度线性关系的度量。
常用的纹理分析方法
基于统计的纹理分析
灰度共生矩阵法（GLCM）：通过研究灰度的空间相关特性来描述纹 理的方法，是目前最常见、应用最广泛、效果最好的一种纹理统计分 析方法。 灰度游程长度法
基于模型的纹理分析
纹理模型法认为一个像素与其领域像素存在着某种相互关系，这种 关系既可以是线性的，也可以是服从条件概率的。常用的模型： 自相关模型 高斯Markov随机场模型 分形模型
112
113 114 115 116
2
1 1
1
1
1 1
1 1
由于纹理特征计算利用的是概率，所以把共生矩阵中的值转换为概率 值，方法是用各个元素值除以矩阵中所有元素的和（上图元素和为 18），最后可以得到如下的方阵，即为灰度共生矩阵。
107 107 108 109 110 111 112 113 0.11 0.055 0.05 0.055 0.11 0.11 0.055 0.055 0.055 108 109 110 111 112 113 114 115 116
112 114 110 108 108
114 116 112 108 108 112 113 110 110 108 114 115 110 115 107
107 108 109 110 111 1 2 2 1 1 1 107 108 109 110 111 112 113 114 115 116
113 114 112 111 107
5
114 115 0.055 0.05 5 116 0.055 0.055 0.05 5 0.05
GLCM纹理统计量
灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信 息，但它并不能直接提供区别纹理的特性，因此需要在灰 度共生矩阵的基础上提取用来定量描述纹理特征的统计属 性。 Haralick定义了14种纹理特征。常用的用于提取遥感影像 中纹理信息的特征统计量主要有:均值(Mean) 、方差 (Variance) 、同质性(Homogeneity)、对比度 (Contrast)、非 相似性 (Dissimilarity)、熵 (Entropy )、角二阶矩( Angular Second Moment )、相关性 ( Correlation ) 等。
（8）角二阶矩
ASM
quantk quantk
i 0
p (i, j ) 2
j 0
也叫能量，是图像灰度分布均匀性的度量。当GLCM中元素分布较集中于主对 角线附近时，说明局部区域内图像灰度分布较均匀，ASM取值相应较大；相反， 如果共生矩阵的所有值均相等，则ASM值较小。
（9）相关性
面向对象的GLCM
面向对象的GLCM的计算是在基于像素的GLCM 计算的基础上提出的。与基于像素的GLCM计算 方法类似，不同的只是在计算面向对象的GLCM 时，基准窗口是对象本身，窗口的大小即对象的 大小。
GLCM计算过程
以单波段为例，移动方向为90度时，窗口上下移动，dx=0,dy= ±1
纹理特征
及
其在土地利用/覆盖变化检测中的应用
纹理 GLCM 应用
主要内容
1 2 3 纹理特征概述 灰度共生矩阵法（GLCM） 纹理特征辅助下的土地利用/覆盖变化检测
纹理特征概述
纹理特征：纹理是影像中大量规律性很强或很弱的相似元素或者
图形结构，一般理解为影像灰度在空间上的变化和重复,或影像中反 复出现的局部模式(纹理单元)和它们的排列规则。 遥感影像上的纹理特征
2
反映图像中局部灰度变化总量。在图像中，如局部像素对的灰度差别 越大，则图像的对比度越大，图像的视觉效果越清晰。
（6）非相似性
Dissmilarity
quantk quantk i 0 j 0
p(i, j )* | i j |
度量与对比度相类似，但是是线性增加。如果局部的对比度越高，则 非相似度也越高。
GLCM纹理统计量
（1）均值
Mean
quantk quantk i 0 j 0
p(i, j ) * i
均值反映纹理的规则程度，纹理杂乱无章、难以描述的，值较小；规 律性强、易于描述的，值较大
（2）方差
Variance
quantk quantk
i 0
p(i, j ) * (i Mean) 2
三元数组法 十字链表法
右指针指向同一行中下一个非零元素节点；下指针指向同一列中下一个非零元素节点
稀疏矩阵
103 104 105 106 107 103 106 107 112104 105110 117 114 108 108 108 109 109 110 110 111 111 112 112 113 113 114 114 115 116 116 117 117 118 118
典型地类样本： •耕地1 •耕地2 •水体 •建筑用地
不同时相影像各地类纹理差值特征曲线图
GLCM特点
灰度共生矩阵（GLCM）特点：
共生矩阵是一个方阵：该方阵的大小取决于原始图像灰度的级数，与 原始图像尺度大小无关 共生矩阵与统计方向和距离有关 矩阵元素值的分布与图像的信息丰富程度密切相关：如果灰度共生矩 阵非零元素集中在主对角线上，则说明图像信息量在该方向上低，如 果非零元素值在非主对角线上离散分布，说明在该方向上图像灰度变 化频繁，信息量大。 共生矩阵元素值的大小相对于主对角线的分布与图像的纹理粗细程度 密切相关：移动步长一定，如果靠近主对角线的元素值较大，则图像 的纹理比较粗糙，反之，如果离主对角线较远的元素值较大，则表明 图像的纹理较细。即灰度共生矩阵元素相对于主对角线的分布情况反 映图像纹理的粗细程度。
图像灰度级压缩：为了使共生矩阵的维数不至于太大（太大会降低纹 理特征值的计算效率），通常先把原始图像的灰度等级进行压缩，比 如从0-255的8 bit 图像压缩为0-31的 5 bit图像，相应的共生矩阵 维数从256*256降低到32*32（主要针对基于像素的GLCM计算） 波段选择：根据分类需要进行选择。如植被，红波段和近红外波段更 有效；也可以使用主成分分析法减少波段数量。在面向对象GLCM计 算时，可以将亮度值（brightness）值代替多波段计算 方向选择：根据经验，或者用均方向（all direction=其相应的四个 方向的纹理统计量的平均值）进行替代。 纹理特征值选择：遵循“可分性、可靠性、独立性和数量少”的原则， 针对特定的专题信息使用选择合适的纹理特征。
常用的纹理分析方法
基于结构的纹理分析
主要是利用提取纹理基元从结构上描述纹理，纹理基元在遥感影像里 很难确定或者分辨。比较适用于人工纹理，在遥感影像方面的应用相 对较少
基于数学变换方法的纹理分析
空间域滤波 傅里叶滤波 小波变换
灰度共生矩阵法
灰度共生矩阵(GLCM：Grey-Level Co-occurrence Matrix) 是一个统计描述影像中的一个局部区域或整个 区域相邻象元或一定间距内两象元灰度呈现某种关系的矩 阵。该矩阵中的元素值代表灰度级之间联合条件概率密 度 P(i, j / d , ) ，P(i, j / d , ) 表示在给定空间距离d和方 向 时，灰度以i为始点，出现灰度级为j的概率（也即频 数）。
i 0 j 0
p(i, j ) *
1 1 (i j ) 2
也叫inverse difference moment（逆差距），是图像局部灰度均 匀性的度量，如果图像局部的灰度均匀，同质度取值较大。
（5）对比度
Contrast
quantk quantk i 0 j 0
p(i, j ) * (i j )
基 112 114 110 108 108 准 窗 114 116 112 108 108 口
90度 135度 45度
112 113 110 110 108 移 114 115 110 115 107 窗 113 114 112 111 107
0度
动 口
基本概念
共生矩阵的大小：在不对原图像灰度级别进行压缩的情况下，共生矩 阵的大小为原图像灰度的级数的平方；在实际应用中，从纹理特征的 计算效率以及共生矩阵的存储方面考虑，通常先把原始图像的灰度等 级进行压缩，比如从灰度级别为0-255的8bit图像压缩为灰度级别为 0-31的5bit图像，相应的共生矩阵的维数从256*256降低到32*32 基准窗口：当前像素为中心的某一个窗口，尺寸通常为奇数方阵，大 小可设为3*3,5*5,7*7等 移动窗口：以基准窗口为参考窗口，通过设定的移动方向和步长进行 移动的窗口。尺寸大小与基准窗口的一样，位置由移动方向与步长决 定 移动方向：基准窗口与移动窗口的相对方向。移动方向可以任意设定， 通常为0°，45°，90°，135° 移动步长：基准窗口中心像元和移动窗口中心像元的距离（用像素表 示）
实物照片的纹理
纹理特征作用
近年来，随着高分辨率遥感影像越来越多，应用越来越广 泛，目前已占主流地位。高分辨率影像：
信息丰富：不仅光谱特征明显，而且地物结构、纹理信息突出 矛盾 “同物异谱”现象加重，仅利用光谱信息进行分类精度低
每一种地物具有其特有的纹理结构，所以通过纹理特征既 可以充分利用高光谱遥感影像信息，又可以解决“同物异 谱”现象，提高分类精度。
0 0 0
1 0
2 4 0
3 0
4 0
5 0
6 0 6
Leabharlann Baidu
7 0
8 0
1 2 3 4 5
6 7 8
0 4 0 0 0 0
0 6 0 0
0 0 4 0 0 0
0 0 6 0
0 0 0 4 0 0
0 0 0 6
4 0 0 1 0 4 0
0 0 0
0 4 0 0 1 0
4 0 0 0
0 0 4 0 0 1
0 4 0 0
GLCM纹理统计量
（7）熵
Entropy
quantk quantk i 0 j 0
p(i, j ) * ln p(i, j )
是图像所具有的信息量的度量，是测量灰度级分布随机性的特征参数，表征了 图像中纹理的复杂程度。图像的纹理越复杂，熵值越大；反之，图像中的灰度 越均匀，则熵值就越小。
（3）标准差
Std
quantk quantk i 0 j 0
p(i, j ) * (i Mean)
2
方差、标准差反映像元值与均值偏差的度量，当图像中灰度变化较大 时，方差、标准差值较大。
GLCM纹理统计量
（4）同质度
Homogeneity
quantk quantk
0 0 0 4 0 0
0 0 4 0
0 6 0 0 0 4 0
0 0 0
0 0 6 0 0 0
4 0 0 0
粗 纹 理
细 纹 理
GLCM稀疏矩阵处理方法
稀疏矩阵是指这样一种矩阵，在该矩阵中，非零元素的比例很小。
如计算GLCM中，会遇到稀疏矩阵。 产生的原因：根据灰度共生矩阵的定义，如果一幅影像的灰度级别为 0-255，在没有进行图像压缩的情况下，就生产256*256的灰度共 生矩阵。在面向对象GLCM计算过程中，对象的GLCM只是由对象内 部像素来产生，而对象相对来说一般都较为均一，相对的灰度值范围 较小，这就导致灰度共生矩阵中实际存储的非零元素所占比例很少。 解决方法：只存储非零元素
GLCM影响因子
基于GLCM的纹理分析需要综合考虑以下几个因素：
图像的灰度级 光谱波段 不同特征值选择 移动方向 窗口大小和移动步长（基于像素GLCM计算中）
例：计算一景TM影像，灰度级8bit（0-255），6个波段，8个特征值， 4个移动方向，7种窗口大小，3种移动步长 计算量大！ 结果：256*256维的灰度共生矩阵，4032种计算结果（面向对象的 是192种计算结果）
Correlation
quantk quantk
i 0 j 0
(i Mean) * ( j Mean) * p(i, j ) 2 Variance
描述GLCM中行或列元素之间的相似程度的，它反映某种灰度值沿某方向的延 伸长度，若延伸的越长，则相关性越大，它是灰度线性关系的度量。
常用的纹理分析方法
基于统计的纹理分析
灰度共生矩阵法（GLCM）：通过研究灰度的空间相关特性来描述纹 理的方法，是目前最常见、应用最广泛、效果最好的一种纹理统计分 析方法。 灰度游程长度法
基于模型的纹理分析
纹理模型法认为一个像素与其领域像素存在着某种相互关系，这种 关系既可以是线性的，也可以是服从条件概率的。常用的模型： 自相关模型 高斯Markov随机场模型 分形模型
112
113 114 115 116
2
1 1
1
1
1 1
1 1
由于纹理特征计算利用的是概率，所以把共生矩阵中的值转换为概率 值，方法是用各个元素值除以矩阵中所有元素的和（上图元素和为 18），最后可以得到如下的方阵，即为灰度共生矩阵。
107 107 108 109 110 111 112 113 0.11 0.055 0.05 0.055 0.11 0.11 0.055 0.055 0.055 108 109 110 111 112 113 114 115 116
112 114 110 108 108
114 116 112 108 108 112 113 110 110 108 114 115 110 115 107
107 108 109 110 111 1 2 2 1 1 1 107 108 109 110 111 112 113 114 115 116
113 114 112 111 107
5
114 115 0.055 0.05 5 116 0.055 0.055 0.05 5 0.05
GLCM纹理统计量
灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信 息，但它并不能直接提供区别纹理的特性，因此需要在灰 度共生矩阵的基础上提取用来定量描述纹理特征的统计属 性。 Haralick定义了14种纹理特征。常用的用于提取遥感影像 中纹理信息的特征统计量主要有:均值(Mean) 、方差 (Variance) 、同质性(Homogeneity)、对比度 (Contrast)、非 相似性 (Dissimilarity)、熵 (Entropy )、角二阶矩( Angular Second Moment )、相关性 ( Correlation ) 等。
（8）角二阶矩
ASM
quantk quantk
i 0
p (i, j ) 2
j 0
也叫能量，是图像灰度分布均匀性的度量。当GLCM中元素分布较集中于主对 角线附近时，说明局部区域内图像灰度分布较均匀，ASM取值相应较大；相反， 如果共生矩阵的所有值均相等，则ASM值较小。
（9）相关性
面向对象的GLCM
面向对象的GLCM的计算是在基于像素的GLCM 计算的基础上提出的。与基于像素的GLCM计算 方法类似，不同的只是在计算面向对象的GLCM 时，基准窗口是对象本身，窗口的大小即对象的 大小。
GLCM计算过程
以单波段为例，移动方向为90度时，窗口上下移动，dx=0,dy= ±1
纹理特征
及
其在土地利用/覆盖变化检测中的应用
纹理 GLCM 应用
主要内容
1 2 3 纹理特征概述 灰度共生矩阵法（GLCM） 纹理特征辅助下的土地利用/覆盖变化检测
纹理特征概述
纹理特征：纹理是影像中大量规律性很强或很弱的相似元素或者
图形结构，一般理解为影像灰度在空间上的变化和重复,或影像中反 复出现的局部模式(纹理单元)和它们的排列规则。 遥感影像上的纹理特征
2
反映图像中局部灰度变化总量。在图像中，如局部像素对的灰度差别 越大，则图像的对比度越大，图像的视觉效果越清晰。
（6）非相似性
Dissmilarity
quantk quantk i 0 j 0
p(i, j )* | i j |
度量与对比度相类似，但是是线性增加。如果局部的对比度越高，则 非相似度也越高。
GLCM纹理统计量
（1）均值
Mean
quantk quantk i 0 j 0
p(i, j ) * i
均值反映纹理的规则程度，纹理杂乱无章、难以描述的，值较小；规 律性强、易于描述的，值较大
（2）方差
Variance
quantk quantk
i 0
p(i, j ) * (i Mean) 2
三元数组法 十字链表法
右指针指向同一行中下一个非零元素节点；下指针指向同一列中下一个非零元素节点
稀疏矩阵
103 104 105 106 107 103 106 107 112104 105110 117 114 108 108 108 109 109 110 110 111 111 112 112 113 113 114 114 115 116 116 117 117 118 118
典型地类样本： •耕地1 •耕地2 •水体 •建筑用地
不同时相影像各地类纹理差值特征曲线图
GLCM特点
灰度共生矩阵（GLCM）特点：
共生矩阵是一个方阵：该方阵的大小取决于原始图像灰度的级数，与 原始图像尺度大小无关 共生矩阵与统计方向和距离有关 矩阵元素值的分布与图像的信息丰富程度密切相关：如果灰度共生矩 阵非零元素集中在主对角线上，则说明图像信息量在该方向上低，如 果非零元素值在非主对角线上离散分布，说明在该方向上图像灰度变 化频繁，信息量大。 共生矩阵元素值的大小相对于主对角线的分布与图像的纹理粗细程度 密切相关：移动步长一定，如果靠近主对角线的元素值较大，则图像 的纹理比较粗糙，反之，如果离主对角线较远的元素值较大，则表明 图像的纹理较细。即灰度共生矩阵元素相对于主对角线的分布情况反 映图像纹理的粗细程度。
图像灰度级压缩：为了使共生矩阵的维数不至于太大（太大会降低纹 理特征值的计算效率），通常先把原始图像的灰度等级进行压缩，比 如从0-255的8 bit 图像压缩为0-31的 5 bit图像，相应的共生矩阵 维数从256*256降低到32*32（主要针对基于像素的GLCM计算） 波段选择：根据分类需要进行选择。如植被，红波段和近红外波段更 有效；也可以使用主成分分析法减少波段数量。在面向对象GLCM计 算时，可以将亮度值（brightness）值代替多波段计算 方向选择：根据经验，或者用均方向（all direction=其相应的四个 方向的纹理统计量的平均值）进行替代。 纹理特征值选择：遵循“可分性、可靠性、独立性和数量少”的原则， 针对特定的专题信息使用选择合适的纹理特征。
常用的纹理分析方法
基于结构的纹理分析
主要是利用提取纹理基元从结构上描述纹理，纹理基元在遥感影像里 很难确定或者分辨。比较适用于人工纹理，在遥感影像方面的应用相 对较少
基于数学变换方法的纹理分析
空间域滤波 傅里叶滤波 小波变换
灰度共生矩阵法
灰度共生矩阵(GLCM：Grey-Level Co-occurrence Matrix) 是一个统计描述影像中的一个局部区域或整个 区域相邻象元或一定间距内两象元灰度呈现某种关系的矩 阵。该矩阵中的元素值代表灰度级之间联合条件概率密 度 P(i, j / d , ) ，P(i, j / d , ) 表示在给定空间距离d和方 向 时，灰度以i为始点，出现灰度级为j的概率（也即频 数）。
i 0 j 0
p(i, j ) *
1 1 (i j ) 2
也叫inverse difference moment（逆差距），是图像局部灰度均 匀性的度量，如果图像局部的灰度均匀，同质度取值较大。
（5）对比度
Contrast
quantk quantk i 0 j 0
p(i, j ) * (i j )
基 112 114 110 108 108 准 窗 114 116 112 108 108 口
90度 135度 45度
112 113 110 110 108 移 114 115 110 115 107 窗 113 114 112 111 107
0度
动 口
基本概念
共生矩阵的大小：在不对原图像灰度级别进行压缩的情况下，共生矩 阵的大小为原图像灰度的级数的平方；在实际应用中，从纹理特征的 计算效率以及共生矩阵的存储方面考虑，通常先把原始图像的灰度等 级进行压缩，比如从灰度级别为0-255的8bit图像压缩为灰度级别为 0-31的5bit图像，相应的共生矩阵的维数从256*256降低到32*32 基准窗口：当前像素为中心的某一个窗口，尺寸通常为奇数方阵，大 小可设为3*3,5*5,7*7等 移动窗口：以基准窗口为参考窗口，通过设定的移动方向和步长进行 移动的窗口。尺寸大小与基准窗口的一样，位置由移动方向与步长决 定 移动方向：基准窗口与移动窗口的相对方向。移动方向可以任意设定， 通常为0°，45°，90°，135° 移动步长：基准窗口中心像元和移动窗口中心像元的距离（用像素表 示）
实物照片的纹理
纹理特征作用
近年来，随着高分辨率遥感影像越来越多，应用越来越广 泛，目前已占主流地位。高分辨率影像：
信息丰富：不仅光谱特征明显，而且地物结构、纹理信息突出 矛盾 “同物异谱”现象加重，仅利用光谱信息进行分类精度低
每一种地物具有其特有的纹理结构，所以通过纹理特征既 可以充分利用高光谱遥感影像信息，又可以解决“同物异 谱”现象，提高分类精度。
0 0 0
1 0
2 4 0
3 0
4 0
5 0
6 0 6
Leabharlann Baidu
7 0
8 0
1 2 3 4 5
6 7 8
0 4 0 0 0 0
0 6 0 0
0 0 4 0 0 0
0 0 6 0
0 0 0 4 0 0
0 0 0 6
4 0 0 1 0 4 0
0 0 0
0 4 0 0 1 0
4 0 0 0
0 0 4 0 0 1
0 4 0 0
GLCM纹理统计量
（7）熵
Entropy
quantk quantk i 0 j 0
p(i, j ) * ln p(i, j )
是图像所具有的信息量的度量，是测量灰度级分布随机性的特征参数，表征了 图像中纹理的复杂程度。图像的纹理越复杂，熵值越大；反之，图像中的灰度 越均匀，则熵值就越小。