纹理分析方法及在地学领域中的应用

纹理分析方法及在地学领域中的应用

摘要：本文介绍了用于遥感图像纹理分析的方法，对其优缺点及使用条件进行了分析。接着介绍了纹理分析方法在地貌类型、土地覆被类型及植被类型的自动分类等地学领域中的应用。

关键词：纹理分析、图像处理、模式识别、地学应用

[20]遥感图像通常包含光谱信息和空间结构两大特征。光谱信息反映了地物反射电磁波

能量的大小，是影像图像解译基本依据。但随着图像解译与分析工作的深入，人们发现由于存在光谱特征相似的不同地物，因而仅仅使用遥感图像的光谱信息，不能有效地进行计算机分析和自动识别。作为遥感图像中重要的信息--纹理特征，它通过灰度的空间变化及其重复性来反映地物的视觉粗糙度，并能充分地反映其在影像上的空间特征。无论从理论上还是从应用上它都是描述和识别影像的重要依据。因此纹理信息的提取和分析，对遥感图像的自动识别具有重要意义。

1 纹理的定义

图像纹理反映了图像灰度的性质及其空间关系，是图像中一个重要而又难以描述的特性，至今还没有为众人公认的定义。习惯上，把图像中局部不规则、而宏观有规律的特性称之为纹理。Hawkins[1]认为纹理标志具有3个要素：(1)局部的空间变化次序在更大的区域内不断重复；(2)序列是由基本元素非随机排列而组成；(3)纹理区域内任何地方都有大致相同的结构尺寸。

2 纹理的分析方法

图像的纹理特征是区分不同类型物体或区域的主要特征，因此纹理分析是图像分析的一个重要组成部分。纹理分析有许多方法，大致分为统计法、结构法、模型法和空间/频率

[21]域联合分析法。统计法是对小区域纹理特征的统计分布情况来进行纹理分析,如灰度共生矩阵法、灰度差分法、灰度游程长法；结构法是根据图像纹理小区域内的特征和它们之间的空间排列关系来进行纹理分析，如形态学、图论、拓扑等方法；模型法是通过模型参数来定义纹理，纹理主要通过统计模型表示，常用的模型主要有自相关模型、自回归模型、Markov随机场模型、分形模型等。空间/频率域联合分析法是在信号分析和人类视觉机理研究中发展起来的介于空间域和频率域表示之间的新方法，主要包括Gabor变换法和小波变换法等。下面仅几种常用的纹理分析方法进行简要概述。

2.1 共生矩阵法(Cooccurrence Matrix)

灰度共生矩阵可以描述影像各像元灰度的空间分布和结构特征,它作为传统的影像纹理分析方法已广泛应用于数字图像处理的许多领域,尤其是利用影像纹理特征值所表征的图像空间结构信息来改善遥感图像的地学目标分类效果[22]。另外，该方法所得到的纹理图像在地学分析中的作用还主要表现在改善地面目标显示效果和增强线性体两个方面[23]。 纹理可以被认为在局部区域里，影像灰度级之间的空间分布及其空间相互作用。共生矩阵法(或空间灰度级相关方法)能够反映亮度的分布特性，同时也可以反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是通过对影像灰度级之间二阶联合条件概率密度P(i,j|d, )的计算表示纹理。P(i,j|d, )表示在给定空间距离d和方向 时，以灰度级i为始点，出现灰度级j的概率。它通常以矩阵形式表示，称为共生矩阵，一般需在不同的d、 下计算。通常 方向为：0º、45º、90º、135º四个方向，这样P(i,j|d, )为一对称矩阵。如果d相对纹理的粗糙度来说很小，共生矩阵的元素值集结在对角线附近；反之，如果d较大，共生矩阵的元素值将离开主对角线向外散开。

一般来说灰度图像的灰度级为256，在计算由灰度共生矩阵推导出的纹理特征时，要求图像的灰度级远小于256，主要是因为矩阵维数较大而窗口的尺寸较小则灰度共生矩阵不能很好的表示纹理，如要能够很好的表示纹理则要求窗口尺寸较大，这样使计算量大大增加，而且当窗口尺寸较大时对于每类的边界区域误识率较大。所以在计算灰度共生矩阵之前需要对图像进行直方图规定化，以减小图像的灰度级。

第1页下一页