特征提取灰度共生矩阵(GLCM)
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)。
a.数字特征的建立——对象的数学描述（形状、颜色） b.提取一组训练（已知）样本——先验知识 c.分类器建立——判决函数 d.对未知模式进行分类——识别
数学 模式
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
基于遥感图像中反映 的同类地物的特征相 似性和异类地物的特 征差异性。通过分析 特征空间中点群的位 置分布中心、分布规 律等，确定点群的界 限，完成分类。
特征提取(feature extraction)：利用一定算法找出最能 反映地物类别差异的特征变量用于分类的过程。
一、遥感图像分类概述
4.特征提取
(1)光谱特征提取(Spectral features )
光谱特征：
–地物反射、发射波谱特征
PCA
–针对多光谱和高光谱图像的
光谱特征提取方法：
• NDVI：NDVI=（NIR-R）/(NIR+R) （归一化差值 植被指数）
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
分类过程
分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作
一、遥感图像分类概述
4.特征提取(Feature extraction)
图像特征（feature）：反映地物间差别或特有性质的描 述子集合，也称特征变量。特征变量构成特征空间。 • 光谱特征(Spectral features) • 空间几何特征(geometrical features )（形状、面积、 上下文关系等） • 纹理特征(Texture features) • 辅助数据(auxiliary data) (非遥感数据，如DEM、 土壤类型)
将遥感图像上的每个像元或区域自动进行属性识别和划分 的过程。
• 数据--信息 （遥感数据---地物信息）
遥感数据包括： a.原始光谱数据； b.光谱变换后数据； c.非遥感数据
一、遥感图像分类概述
2.模式识别(Pattern Recognition)
模式还可分成抽象的和具体的两种形式。 • 前者如意识、思想、议论等,属于概念识别研 究的范畴,是人工智能的另一研究分支。 • 后者是对语音波形、地震波、心电图、脑电 图、图像、文字、符号、生物传感器等对象的 具体模式进行辨识和分类。
跟踪地物边界
• 空间关系特征 –距离关系(直线距离) –方位关系(八个方向描述，用方位角区间表示) –包含关系(内部包含，且边界不相邻) –相邻关系(边界相邻) –相交关系(交汇于一点) –相贯关系（一个线状地物通过面状地物内部）
一、遥感图像分类概述
4.特征提取
(3)纹理提取(Texture features特征) • 纹理：地物颜色和灰度的某种变化特征，在图像中局部呈现 不规则变化，而在整体和宏观上表现出某种规律性的图斑。 • 表示纹理的方法： –图斑内像元的均值和标准偏差（直方图统计）
概率P(i,j,δ ,θ )的数学式表示为 :
P( i, j,δ ,θ ) ＝{ [(x,y), (x+Δ x， y+Δ y)] | f(x,y)=i, f(x+Δ x,y+Δ y)=j；x, y=0,1 ,…,N-1}
一、遥感图像分类概述
所构成的灰度共生矩阵的第 i 行、第 j 列元素，表示图像 上所有在θ 方向、相隔为δ ，一个为灰度i值,另一个为灰度 j值的像素点对出现的频率。这里θ 取值一般为0度、45度、 90度和135度。
若Δ x＝1，Δ y＝0，则θ ＝00； Δ x＝1，Δ y＝-1，则θ ＝450 ； Δ x＝0，Δ y＝-1，则θ =900 ； Δ x=-1，Δ y=-1ห้องสมุดไป่ตู้则θ =1350 。
δ 的取值与图像有关，一般根据试验确定。
一、遥感图像分类概述
灰度共生矩阵 (GLCM)
• 灰度共生矩阵反映了图像灰度关于方向、相邻间 隔、变化幅度的综合信息,它可作为分析图像基元 和排列结构的信息。
• 主成分分析法(基于K-L变换)
• 光谱相关分析法
• 联合熵分析法
• 诊断光谱分析法
• 混合光谱分析法
一、遥感图像分类概述
4.特征提取
(2)空间特征提取(geometrical characteristics )
• 空间形状特征 –形状（圆形度、凹凸、孔洞等） –大小、周长、面积、线状地物的曲率
x1
x2
颜色 形状
数字化
对于整筐水果有模式n： X1, X 2,, X n
形状
特征
二
维
梨
特
征
空
间
颜色特征
一、遥感图像分类概述
假如一个未知水果有：X
x1
x2
颜色 形状
梨
X
该水果属于桔子
一、遥感图像分类概述
2.模式识别 模式识别的一般步骤：
一、遥感图像分类概述
2.模式识别
模式识别：对表征事物或现象的各种形式的(数值的、 文 字模的式和识逻别辑原关理系：的是)依信据息一进定行的处原理则和将分不析同,以物对体事区物或现 象分进开行来描。述、辨认、分类和解释的过程。
？
颜色区分
形状区分
一、遥感图像分类概述
对于每一个水果有特征向量：
X
• 作为纹理分析的特征量，往往不是直接应用计算 的灰度共生矩阵，而是在灰度共生矩阵的基础上 再提取纹理特征量，称为二次统计量。
• 一幅图像的灰度级数一般是256，这样计算的灰度 共生矩阵太大。为了解决这一问题，在求灰度共 生矩阵之前，常压缩为16级。
–灰度共生矩阵Gray-level Co-occurrence Matrix(GLCM)
–分形维数
纹理不同，直方图相同
一、遥感图像分类概述
4.特征提取
(3)纹理提取(Texture features特征)
灰度共生矩阵 (GLCM) 灰度共生矩阵就是从图像 (x,y)灰度为i的像元
出发，统计与距离为δ =(Δx2+Δy2 )1/2、灰度为j 的像元同时出现的概率P。
第十四讲 遥感图像分类
Remote Sensing Image Classification
主要内容
一、遥感图像分类概述 二、监督分类 三、非监督分类 四、遥感图像分类的新方法 五、分类后处理和精度分析
一、遥感图像分类概述
1.遥感图像分类概念
• 遥感图像计算机分类：是通过模式识别理论，利用计算机
数学 模式
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
基于遥感图像中反映 的同类地物的特征相 似性和异类地物的特 征差异性。通过分析 特征空间中点群的位 置分布中心、分布规 律等，确定点群的界 限，完成分类。
特征提取(feature extraction)：利用一定算法找出最能 反映地物类别差异的特征变量用于分类的过程。
一、遥感图像分类概述
4.特征提取
(1)光谱特征提取(Spectral features )
光谱特征：
–地物反射、发射波谱特征
PCA
–针对多光谱和高光谱图像的
光谱特征提取方法：
• NDVI：NDVI=（NIR-R）/(NIR+R) （归一化差值 植被指数）
一、遥感图像分类概述
3.遥感图像计算机分类的基本原理
分类过程
分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作
一、遥感图像分类概述
4.特征提取(Feature extraction)
图像特征（feature）：反映地物间差别或特有性质的描 述子集合，也称特征变量。特征变量构成特征空间。 • 光谱特征(Spectral features) • 空间几何特征(geometrical features )（形状、面积、 上下文关系等） • 纹理特征(Texture features) • 辅助数据(auxiliary data) (非遥感数据，如DEM、 土壤类型)
将遥感图像上的每个像元或区域自动进行属性识别和划分 的过程。
• 数据--信息 （遥感数据---地物信息）
遥感数据包括： a.原始光谱数据； b.光谱变换后数据； c.非遥感数据
一、遥感图像分类概述
2.模式识别(Pattern Recognition)
模式还可分成抽象的和具体的两种形式。 • 前者如意识、思想、议论等,属于概念识别研 究的范畴,是人工智能的另一研究分支。 • 后者是对语音波形、地震波、心电图、脑电 图、图像、文字、符号、生物传感器等对象的 具体模式进行辨识和分类。
跟踪地物边界
• 空间关系特征 –距离关系(直线距离) –方位关系(八个方向描述，用方位角区间表示) –包含关系(内部包含，且边界不相邻) –相邻关系(边界相邻) –相交关系(交汇于一点) –相贯关系（一个线状地物通过面状地物内部）
一、遥感图像分类概述
4.特征提取
(3)纹理提取(Texture features特征) • 纹理：地物颜色和灰度的某种变化特征，在图像中局部呈现 不规则变化，而在整体和宏观上表现出某种规律性的图斑。 • 表示纹理的方法： –图斑内像元的均值和标准偏差（直方图统计）
概率P(i,j,δ ,θ )的数学式表示为 :
P( i, j,δ ,θ ) ＝{ [(x,y), (x+Δ x， y+Δ y)] | f(x,y)=i, f(x+Δ x,y+Δ y)=j；x, y=0,1 ,…,N-1}
一、遥感图像分类概述
所构成的灰度共生矩阵的第 i 行、第 j 列元素，表示图像 上所有在θ 方向、相隔为δ ，一个为灰度i值,另一个为灰度 j值的像素点对出现的频率。这里θ 取值一般为0度、45度、 90度和135度。
若Δ x＝1，Δ y＝0，则θ ＝00； Δ x＝1，Δ y＝-1，则θ ＝450 ； Δ x＝0，Δ y＝-1，则θ =900 ； Δ x=-1，Δ y=-1ห้องสมุดไป่ตู้则θ =1350 。
δ 的取值与图像有关，一般根据试验确定。
一、遥感图像分类概述
灰度共生矩阵 (GLCM)
• 灰度共生矩阵反映了图像灰度关于方向、相邻间 隔、变化幅度的综合信息,它可作为分析图像基元 和排列结构的信息。
• 主成分分析法(基于K-L变换)
• 光谱相关分析法
• 联合熵分析法
• 诊断光谱分析法
• 混合光谱分析法
一、遥感图像分类概述
4.特征提取
(2)空间特征提取(geometrical characteristics )
• 空间形状特征 –形状（圆形度、凹凸、孔洞等） –大小、周长、面积、线状地物的曲率
x1
x2
颜色 形状
数字化
对于整筐水果有模式n： X1, X 2,, X n
形状
特征
二
维
梨
特
征
空
间
颜色特征
一、遥感图像分类概述
假如一个未知水果有：X
x1
x2
颜色 形状
梨
X
该水果属于桔子
一、遥感图像分类概述
2.模式识别 模式识别的一般步骤：
一、遥感图像分类概述
2.模式识别
模式识别：对表征事物或现象的各种形式的(数值的、 文 字模的式和识逻别辑原关理系：的是)依信据息一进定行的处原理则和将分不析同,以物对体事区物或现 象分进开行来描。述、辨认、分类和解释的过程。
？
颜色区分
形状区分
一、遥感图像分类概述
对于每一个水果有特征向量：
X
• 作为纹理分析的特征量，往往不是直接应用计算 的灰度共生矩阵，而是在灰度共生矩阵的基础上 再提取纹理特征量，称为二次统计量。
• 一幅图像的灰度级数一般是256，这样计算的灰度 共生矩阵太大。为了解决这一问题，在求灰度共 生矩阵之前，常压缩为16级。
–灰度共生矩阵Gray-level Co-occurrence Matrix(GLCM)
–分形维数
纹理不同，直方图相同
一、遥感图像分类概述
4.特征提取
(3)纹理提取(Texture features特征)
灰度共生矩阵 (GLCM) 灰度共生矩阵就是从图像 (x,y)灰度为i的像元
出发，统计与距离为δ =(Δx2+Δy2 )1/2、灰度为j 的像元同时出现的概率P。
第十四讲 遥感图像分类
Remote Sensing Image Classification
主要内容
一、遥感图像分类概述 二、监督分类 三、非监督分类 四、遥感图像分类的新方法 五、分类后处理和精度分析
一、遥感图像分类概述
1.遥感图像分类概念
• 遥感图像计算机分类：是通过模式识别理论，利用计算机