卫星遥感图像中沙漠和山脉的纹理分析

卫星遥感图像中沙漠和山脉的纹理分析

摘要：卫星遥感图像的识别技术是遥感图像处理中一个重要的研究领域，并在实践中大量应用。为了利用卫星遥感图像识别沙漠和山脉，选用了不同的方法进行分析。通过对基于直方图统计法的识别、傅立叶功率谱的识别以及基于灰度共生矩阵的纹理识别法的特点和识别效果进行比较，得出基于灰度共生矩阵地识别法是一种简单有效的算法。能够准确的识别出土地类型，对研究土壤沙漠化有很重要的意义，

有很好的应用前景。

关键词：卫星遥感;纹理分析;特征提取;沙漠;山脉

0引言

随着数字图像处理技术的发展和实际应用的需求，遥感图像的目标提取、图像识别成为遥感图像处理中的重要内容。很多人在研究利用各种识别技术来分析卫星云图中的云系和台风，但很少有人利用卫星遥感图像来研究土地类型。因此，本文选择对沙漠、山脉进行识别研究。期望能通过本文的研究找到一个既简单又有效的识别方法来

快速地识别出土地类型。

现今，土壤沙漠化已是一个十分严重的环境问题，引起了全世界的关注。由此可见，如何利用卫星遥感技术来迅速的分析识别沙漠，对土地资源、环境进行有效的监测具有重要的意义。因此，通过本文的研究，能够准确的识别出沙漠的土地类型对研究土壤沙漠化有很重

要的意义。

1分析步骤

遥感图像分析包括图像数据的获取，识别算法的选择和实现，

以及算法的比较。具体如图1所示：

图1纹理分析的流程

本文主要采用基于灰度共生矩阵的纹理识别方法，另外则采

用其它的一些识别方法与之作比较，作出结论。

2数据的获取

本文借助网络平台从“ENVISAT卫星雷达数据共享项目”网站上下载数据。

下载的卫星遥感数据的数据类型为Envisat Asar,不能直接用于图像处理,需要进一步的格式转换。用软件EnviView4.2将下载的数据格式转换为以.bmp,.jpg,.tif等的扩展名才能被MATLAB打开使用。本文均将图片转换为.bmp格式的图片。由于下载的图像通常多大几百

兆，处理起来非常复杂，本文只截取图中一部分进行处理。

3图像识别

图像对我们来说是很熟悉的，它们反映了物体表面颜色和

灰度的某种变化，而这些变化又与物体本身的属性有关。例如在遥感图像中，沙漠图像的灰度空间分布性质与山脉图像的灰度分布性质有着显著的差异。此外，一些物体表面可能具有与方向相关的纹理信息。通常把图像灰度分布性质或图像表面呈现出的方向信息称为纹理结构，它有助于区别不同的图像区域。

本文主要介绍了基于灰度共生矩阵的纹理识别和其它几种识别方法。选取两种土地利用类型进行识别，分别如：图2沙漠、图3山脉。

3.1直方图统计法识别

统计法指诸如平滑、粗糙、颗粒等纹理的特征描述，是基于图像灰度直方图的特性来描述纹理。最简单的方法之一就是使用一幅图像或区域灰度级直方图的统计矩。令z为一个代表灰度级的随机变量，并且令p(zi)，i=0,1,2…,L-1L是可区分的灰度级数。则，关于z的灰度均值为m的第n阶矩为：

图2沙漠图3山脉

μn(z)=∑[DD(]L-1[]i=0[DD)](Zi-m)np(zi) （1）

选取基于灰度直方图的四个纹理量度进行分析，分别是：平滑度，标准差，一致性和平均熵值量度。

本文选取两种土地利用类型进行识别，分别如：图4沙漠，图5山脉，得到直方图如下：

得到基于灰度直方图的纹理量度，如表1所示：

表1沙漠基于直方图的纹理量度

[]平滑度[]标准差[]一致性[]熵

沙漠[]0.0451[]55.4174[]0.0089[]7.2935

山脉[]0.0234[]39.4832[]0.0120[]6.6951

图4沙漠的灰度直方图图5山脉的灰度直方图

由直方图和纹理量度值可以看出其它的土地类型与沙漠和山脉的直方图及纹理度量值具有较大差异，可以方便地识别出沙漠和山脉。

如果限定对象，则采用基于灰度直方图的纹理量度法也能够识别纹理。但是灰度直方图不能得到纹理的二维变化，不具有像素之间相对位置的信息而受到限制。即使作为一般性的纹理识别方法，其能

力也是很低的。

3.2傅立叶功率谱分析法

对于一幅M*N的图像，其二维傅立叶变换如下：

F(u,v)=∑[DD(]M-1[]x=0[DD)]∑[DD(]N-1[]y=0[DD)]f(x,y)e\{-j2π（ux/M+vy/N）\} （2）

其中，u=0,1,…,M-1;v=0,1,…,N。

f(x,y)是一幅图像，F(,u,v)是它的变换普。一般图像信号f(x,y)

总是实数，但其傅立叶变换F(,u,v)通常是复变函数，可以写成

F(u,v)=R(u,v)+jI(u,v) （3）

其中傅立叶功率谱：

|F(u,v)|=[R2(u,v)+I2(u,v)]\{1/2\} （4）

取沙漠和山脉样本进行傅立叶变换，分别得到傅立叶频谱和相位普。具体如下图：

对一个给定的图像，二维傅立叶变换显然能包含全部的纹理信息。因此，如同从物体本身导出纹理特征一样，从功率谱导出也是很有用的。从图6和图7的功率谱图很容易可以区别出沙漠和山脉。

图6沙漠的功率谱图图7山脉的功率谱图

3.3基于灰度共生矩阵的纹理识别

但是，由于傅立叶变换本身所具有的性质如平移性、旋转性等，使得同一幅图譬如沙漠的图只是平移或旋转后它的变换谱就改变了。因此很难单一地从图像的功率谱图来识别沙漠和山脉，识别率非常低。

图像的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，它是分析图像局部模式结构及其排列规则的基础。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。