遥感数字图像类特征的二阶统计纹理分析

论文摘要

本文是提交给昆明理工大学理学院物理电子专业的硕士论文。本文的主要目的是针对数字图像的统计纹理特征进行研究。数字图像的研究和分析在国内外方兴未艾。世界各大学和研究机构均投入了大量的资源在该领域展开研究。研究范围也十分广泛,其中数字图像纹理分析是一个研究的难点和热点,纹理研究的成果可以在模式识别（Pattern）和机器视觉（Computer vision）领域扮演重要的角色。同时,纹理分析的研究方法和成果也被广泛应用于工业检测,遥感图像分析与制图、医学成像及医学影像分析、纺织品质量检测、视频图像分析、对象识别、食品等级划分、植物分类、自然纹理识别与检索等。本论文从二阶统计纹理分析算法（Second order statistical texture algorithm）的理论入手,阐述了灰度共生矩阵的原理和统计特征量（Statistical features）的计算公式。’在此基础上,从0.61米精度的QuickBird RGB融合数据中选取了具有代表性的七种类样本（Class samples）。并计算出了这七种类样本的灰度共生矩阵（Grey-level co-occurrence matrix）。并计算了六个统计特征量的不同参数（Orientation and distance）的一百多组数据。从各个侧面和角度,分析了这些类样本（Class samples）的统计特征。这六个统计特征量（Statistical features）分别是：能量（Energy）,熵（Entropy）,对比度（Contrast）,同质度（Homogeneity）,相关性（Correlation）和不相似度（Dissimilarity）。通过理论推导、各种特征值计算和比较研究可以得出以下结论：（一）从GLCM的计算结果看,不同类样本纹理图的灰度共生矩阵图具有很大的差异,因此,GLCM可以认为是一定纹理图像的身份标签。不同的GLCM代表着不同的纹理,而且是一一对应。同时可以预见,灰度共生矩阵的不同,所计算出的各特征量的特征值也将不同,这同时也反映了各样本纹理的差异。（二）GLCM对人工纹理和自然纹理均具有很高的响应度,由GLCM推导出的特征量对纹理具有不同程度的响应。（三）灰度共生矩阵的6个特征量对0.61米精度QuickBird RGB融合影像的七个典型样本的分类都具有一定的有效性,经过特征值曲线的综合对比、多次实验以及特殊情况的排除,可以确定最适合分析的GLCM窗口范围：60×60-130×130（像素）之间。（四）在计算的六个特征量中,不相似度（Dissimilarity）、熵（Entropy）、同质度（Homogeneity）和对比度（Contrast）依次是类样本中对不同纹理区别最大的特征量。这些特征量在进行分类时具有重要的参考意义。（五）相关性（Correlation）和对比度（Contrast）可能对纹理有比人眼更敏感的特性。（六）本论文所计算出类样本的一百多组数据充分反映了类样本的统计纹理特征的各个侧面和性质（Characteristics）,而且这一百多组数据已经具备了一定的系统性.这些研究成果对于遥感数据影像的分类（Classification）、地物覆盖（Landcover）的定量解译（Quantative interpretation）和专题图制作具有重要的参考意义。关键词：遥感影像数据,纹理分析,二阶统计学,特征,类,分类,灰度共生矩阵,模式识别

论文目录

• 摘要
• Abstract
• 目录
• 图目录
• 表目录
• 第一章 绪论
• 1.1 数字图像的纹理及其研究意义
• 1.2 遥感数字图像纹理分析与研究现状
• 1.3 论文研究的目的和意义
• 1.4 本文的结构和技术路线
• 第二章 纹理描述及纹理分析方法
• 2.1 纹理描述
• 2.2 纹理分析方法
• 2.2.1 统计分析方法
• 2.2.2 结构分析方法
• 2.2.3 模型分析方法
• 2.2.4 频谱分析方法
• 2.2.5 纹理分析方法的比较
• 2.3 纹理分析的应用领域
• 2.3.1 自动检测（Auto-detection）
• 2.3.2 图像检索系统（Image retrival system）
• 2.3.3 医学图像分析（Medical imaging）
• 2.4 遥感图像的纹理特征分析（Texture feature of remote sensed data）
• 第三章 基于二阶统计学的灰度共生矩阵分析方法
• 3.1 一阶统计纹理分析
• 3.2 二阶统计纹理分析及灰度共生矩阵的统计学原理
• 3.3 灰度共生矩阵的特征及其物理意义
• 3.3.1 灰度共生矩阵的特征量
• 3.3.2 灰度共生矩阵特征的物理意义
• 3.4 特征图像及其生成
• 3.5 灰度共生矩阵及其特征的MatLab计算程序描述
• 3.6 灰度共生矩阵对图像纹理的响应分析
• 3.6.1 纹理特征与角度、像素距离的关系
• 3.6.1.1 窗口3×3方向0°和方向90°特征图计算和分析
• 3.6.1.2 窗口3×3方向45°和方向135°特征图计算和分析
• 3.6.1.3 窗口5×5方向0°和方向90°特征图计算和分析
• 3.6.1.4 窗口5×5方向45°和方向135°特征图计算和分析
• 3.6.1.5 灰度共生矩阵像素对距离（Pixel pairs distance）和方向的测试小结
• 3.6.2 纹理特征量与窗口的关系研究
• 3.6.2.1 测试图D1多尺度窗口特征图的计算和分析
• 3.6.2.2 测试图D2多尺度窗口对不同特征的特征图计算和分析
• 3.6.2.3 测试图D3窗口大小变化的特征图计算和分析
• 3.6.2.4 不同窗口对纹理特征的影响计算结果小结
• 3.7 本章小结
• 第四章 遥感数字图像类样本的纹理特征分析实验
• 4.1 遥感数字图像类（Class）样本的选取
• 4.2 类样本灰度共生矩阵GLCM的计算
• 4.3 实验一:窗口大小对特征量影响的分析计算
• 4.3.1 窗口和距离参数的选择
• 4.3.2 类样本六个特征量的特征值计算
• 4.3.2.1 相关性（Correlation）计算及其特征曲线
• 4.3.2.2 对比度（Contrast）计算及其特征曲线
• 4.3.2.3 能量（Energy）计算及其特征曲线
• 4.3.2.4 熵（Entropy）计算及其特征曲线
• 4.3.2.5 同质度（Homogeneity）计算及其特征曲线
• 4.3.2.6 不相似度（Dissimilarity）计算及其特征曲线
• 4.3.3 实验一计算结果小结
• 4.4 实验二:窗口移动对单一纹理类样本的特征计算的影响
• 4.4.1 窗口移动算法的总体描述
• 4.4.2 单一纹理类样本63×63窗口GLCM特征分析
• 4.4.2.1 相关性（Correlation）计算
• 4.4.2.2 对比度（Contrast）计算
• 4.4.2.3 能量（Energy）计算
• 4.4.2.4 熵（Entropy）计算
• 4.4.2.5 同质度（Homogeneity）计算
• 4.4.2.6 不相似度（Dissimilarity）计算
• 4.4.2.7 本节小结
• 4.4.3 单一纹理类样本127×127窗口GLCM特征分析
• 4.4.3.1 相关性（Correlation）计算
• 4.4.3.2 对比度（Contrast）计算
• 4.4.3.3 能量（Energy）计算
• 4.4.3.4 熵（Entropy）计算
• 4.4.3.5 同质度（Homogeneity）计算
• 4.4.3.6 不相似度（Dissimilarity）计算
• 4.4.4 实验二小结
• 4.5 实验三:遥感数字图像混合纹理类样本特征分析
• 4.5.1 混合纹理样本BW,窗口63×63GLCM特征分析
• 4.5.1.1 本节小结
• 4.5.2 混合纹理样本LBC,99×99窗口GLCM特征分析
• 4.5.2.1 本节小结
• 4.6 实验四:类特征均值计算及各类样本综合特征分析
• 4.6.1 特征量均值计算
• 4.6.2 类样本综合特征分析与比较
• 4.7 问题分析
• 第五章 结论
• 第六章 论文展望
• 致谢
• 参考文献/Reference
• 附录 攻读硕士期间发表的学术论文