第二章遥感图像信息特征的概貌分析定稿

第二章遥感图像信息特征的概貌分析定稿第1页，课件共67页，创作于2023年2月2.1遥感图像模型遥感图像是传感器通过探测地物电磁波辐射能量所得到的图像，反映连续变化的物理场。虽然波段不同，记录的辐射能量、成像方式及成像系统等也有差异，但可归结为一个具有普遍意义的模型，即遥感图像模型。

第2页，课件共67页，创作于2023年2月遥感图像模型遥感图像可以表示为某一时刻t,在不同波长λ和不同极化方向p，能够收集到的位于坐标(x,y)的目标物所辐射的电磁波能量L。目标物的反射率黑体的电磁波发射能力入射的辐射量目标物的反射率入射的辐射量黑体的电磁波发射能力目标物的反射率入射的辐射量第3页，课件共67页，创作于2023年2月图像函数的特点连续性定义域的限定性函数值的确定性函数值物理意义的明确性第4页，课件共67页，创作于2023年2月2.2遥感图像的数字表示在图像处理中，为了便于问题的分析，需要用数学方式来表示图像。表示图像的基本方法有两类，即确定的与统计的，确定的表示方法是写出图像函数的表达式，对于数字图像，则表示成矩阵或向量的形式，统计的表示法则是用一种平均特征来表示图像。第5页，课件共67页，创作于2023年2月2.1图像的确定性表示一幅遥感图像记录的是地物辐射能量的空间分布，可以表示成f(x,y,t,λ,p)。对于已经获取的一个单时段的图像，图像是关于空间坐标点的函数f(x,y)。经采样和量化后，连续的像场可被离散化。2.2.1图像的确定性表示第6页，课件共67页，创作于2023年2月数字图像类别即确定性表示

数字化后的一幅黑白图像，可以用M×N个字节来表示。对电子计算机来说，可以用数学公式f（Xi，Yj）来表示。数组f（Xi，Yj）中i=1，2，3…m，j=1，2，3，…n。式中f（Xi，Yj）值代表图像中（Xi，Yj）点处象素的灰度值。在现实生活中有多种多样的图像，根据各类图像灰度层次的多少、光谱轴及时间轴上的组合方式的不同，其数字化后的描述形式如表所示。第7页，课件共67页，创作于2023年2月图像数字化后描述形式备注二值图像f（X，Y）=1或0文字、线条图、指纹等黑白图像0≤f（X，Y）≤2n-1黑白图像，一般n=6~8彩色图像|fi（X，Y）|i=R，G，B以三基色表示的彩色图像光谱图像|fi（X，Y）|i=1，2…m遥感图像，m=6~8或更大立体图像fl（X，Y），fr（X，Y）左右视点得到同物体的图像对动态图像|ft（X，Y）|t=t1，t2…tr动态图像，动画制做等第8页，课件共67页，创作于2023年2月1、矩阵表示在计算机中，图像被分割成像素（Pixel），各像素的灰度值用整数表示。一幅M×N个像素的数字图像，其像素灰度值可以用M行、N列的矩阵G表示：第9页，课件共67页，创作于2023年2月黑白图像是指图像的每个像素只能是黑或白，没有中间的过渡，故又称为二值图像。二值图像的像素值为0或1。第10页，课件共67页，创作于2023年2月灰度图像是指每个像素由一个量化的灰度值来描述的图像。它不包含彩色信息。第11页，课件共67页，创作于2023年2月灰度数字图像的矩阵表示第12页，课件共67页，创作于2023年2月彩色数字图像的矩阵表示第13页，课件共67页，创作于2023年2月彩色图像是指每个像素由红、绿、蓝三原色（分别用R、G、B表示）构成的图像，其中R、B、G是由不同的灰度级来描述的。第14页，课件共67页，创作于2023年2月2、向量表示按行的顺序排列像素，使图像下一行第一个元素紧接上一行最后一个像素，图像可以表示成1×MN的列向量。

第15页，课件共67页，创作于2023年2月在图像处理中，普遍将图像的灰度级看作随机变量，按照概率论来表示，一种用密度函数（或分布函数）表示，另一种用统计特征参数来表示。从统计学角度来说，图像的数字特征可作为区分或识别图像中地物的依据。2.2.2、遥感图像的统计性表示第16页，课件共67页，创作于2023年2月1、反映像素值平均信息的统计特征１）、均值均值是图像中所有像元亮度值的算术平均值。其计算公式为：为各个像元的灰度值；为像元个数2.3单波段图像的统计特征2.3.1基本统计特征第17页，课件共67页，创作于2023年2月２）、中值是图像灰度的中间值。由于遥感图像的灰度级绝大多数是连续变化的，所有其计算公式为：第18页，课件共67页，创作于2023年2月3）、众数：图像中出现最多的灰度值，反映了图像中分布较广的地物反射能量。为图像的均值第19页，课件共67页，创作于2023年2月2、反映像素值变化信息的统计参数1）、方差和标准差

ｎ为图像的像元个数为图像的均值第20页，课件共67页，创作于2023年2月2）、反差反差描述的是图像的显示效果，直接影响图像的可分辨性。直方图越窄，反差越小，若反差偏小，其图像的判读效果较差。在三个反差定义中，方差最确切。第21页，课件共67页，创作于2023年2月阅读layerinfo中标明的图像信息第22页，课件共67页，创作于2023年2月2.3.2、图像的直方图１、直方图的基本概念：是图像中的每个波段亮度值与像元数关系的分布曲线。横坐标表示图像的灰度级变化数，纵坐标表示图像中每个灰度级像元数目占整个像元数目的百分比或累计百分比。第23页，课件共67页，创作于2023年2月阅读layerinfo中标明的图像信息：点击菜单utility/layerinfo，出现imageinfo窗口，点击general查看其像元大小、波段数、地图参数、投影参数等相关信息；点击projection可查看详细的投影信息；点击histogram可查看各波段的灰度分布直方图；点击pixeldata可查看各像元的灰度值。第24页，课件共67页，创作于2023年2月第25页，课件共67页，创作于2023年2月第26页，课件共67页，创作于2023年2月直方图第27页，课件共67页，创作于2023年2月２、图像直方图的基本类型１）、频数直方图：纵坐标是某个灰度级的像元在图像中分布的百分数，相当于频率密度曲线。２）、累积直方图：纵坐标是小于或等于特定灰度级像元在图像中的百分数，相当于累积频率密度曲线。第28页，课件共67页，创作于2023年2月4376824899589131079121511811101413某数字图像的一部分灰度值0123456789101112131415像元数0011211244221211第29页，课件共67页，创作于2023年2月3、直方图的性质1）、反映了图像灰度的分布规律；2）、任何一幅特定图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图；3）、如果一幅图像仅包括两个不相连的区域，并且每个区域的直方图已知，则整幅图像的直方图是这两个区域的直方图之和；4）、由于遥感图像数据的随机性，在图像像素数足够多且地物类型差异不是非常悬殊的情况下，服从或接近于正态分布。第30页，课件共67页，创作于2023年2月4、图像数据集的理想分布在图像包含大量像元的前提下，假定像元亮度是随机分布的，图像就像自然界的其他现象一样，分布函数服从或接近于正态分布。一般来说，直方图的形状越接近于正态分布，说明图像越接近于假定条件，如果峰值偏向灰度值大的一方，图像偏亮，反差较小。峰值偏向灰度值小的一方，图像偏暗，反差较小。第31页，课件共67页，创作于2023年2月第32页，课件共67页，创作于2023年2月第33页，课件共67页，创作于2023年2月双峰直方图第34页，课件共67页，创作于2023年2月多峰直方图第35页，课件共67页，创作于2023年2月利用直方图分析图像的质量是图像分析的基本方法，常常有目的地改变直方图形态，从而改善图像的质量。利用累积直方图，观察灰度从小到大时像元数的变化规律，也可以分析出图像对比度的情况。对于灰度偏暗的图像，在灰度小的部分像元数增长很快，对于灰度偏亮的图像，在灰度大的部分像元数增长很快等．第36页，课件共67页，创作于2023年2月2.4多波段图像信息特征的概貌分析多波段图像除了单个波段图像的统计特征以外，波段图像之间也存在着关联，多波段图像波段之间的统计特征是多波段图像分析的重要参数，是图像合成的主要依据之一。第37页，课件共67页，创作于2023年2月1、协方差与协方差阵两个不同参数之间的方差就是协方差式中：、分别是图像X与Y的协方差，图像Y与X的协方差。将N个波段相互之间的协方差排列在一起所组成的数字矩阵就是所谓的协方差阵。第38页，课件共67页，创作于2023年2月打开erdas，单击modeler模块，选择model，在弹出的窗口中进行编辑你所需要的模型即可第39页，课件共67页，创作于2023年2月２、相关系数与相关矩阵相关系数是描述波段图像的相关程度的统计量。其计算公式是：图像i与图像j的协方差图像i与图像j的标准差第40页，课件共67页，创作于2023年2月相关系数表示了两个波段图像所包含信息内容的重叠程度，是多波段图像彩色合成的重要依据。针对多波段图像在波段上的相关性质，产生了一类图像处理算法，如主成分变换、穗帽变换。第41页，课件共67页，创作于2023年2月2.5窗口邻域和卷积2.5.1窗口和邻域对于图像中的任一像素（x，y）以此为中心，按上下左右对称所设定的像素范围称为窗口。窗口多为矩形，行列数为奇数，并按照行数乘以列数的方式来命名，如3×3、5×5、7×7窗口等。中心像素周围的行列称为该像素的邻域。邻域运算：对于中心像素（x，y），其值用f（x，y）表示，可按照相邻性规则通过计算产生。其中，卷积运算是最常用的方法。第42页，课件共67页，创作于2023年2月2.5.2卷积运算卷积是空间域上针对特定窗口进行的运算，是图像平滑、锐化中使用的基本的计算方法。设窗口大小为m×n，（i,j）是中心像素，f(x,y)是图像像素值，g(i,j）是运算结果，h(x,y)是窗口模板（或称为卷积核kernel，那么卷积运算的公式为：第43页，课件共67页，创作于2023年2月对于整个图像，从左上角开始，从左到右，由上到下按照窗口顺序进行遍历，即可完成整个图像的卷积运算，对于图像边缘，由于无法满足窗口对中心像素的要求，其窗口外部的像素可以用任意一种方法来处理设为0值按对称原则从图像中取值保留原值，不进行计算把原图像的值在边界处补齐后进行计算（教材P51）第44页，课件共67页，创作于2023年2月86858788908687878785888785868389898686878990898787－1－1－1－18－1－1－1－1185411－3545－198－1－152－32109－11－2－4174－5－10图像数据模板计算结果第45页，课件共67页，创作于2023年2月2.5.3、滤波滤波是指改变信号中各个频率分量的相对大小、或者分离出来加以抑制、甚至全部滤除某些频率分量的过程。图像滤波可以消除运动模糊、图像噪音，突出显示图像边缘和细节信息，提取图像空间尺度特征等。图像滤波可分为空间域滤波和频率域滤波两种方法。空间域滤波是邻域操作，通过权重矩阵与窗口图像矩阵的卷积计算实现图像空间域滤波。频率域滤波是对图像进行傅立叶变换，然后对变换后的频率域图像中的频谱进行滤波。第46页，课件共67页，创作于2023年2月原图像梯度算子检测Roberts算子检测Prewitt算子检测Sobel算子检测第47页，课件共67页，创作于2023年2月

2.6纹理纹理通常被定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量。通常认为，纹理是由纹理基元按某种确定性的规律或只是按某种统计规律重复排列组成的。归纳起来，主要有两种，一种是凭人们的直观印象，一是凭图像本身的结构。第48页，课件共67页，创作于2023年2月纹理是图像分析中的一个非常重要的特征。从航空照片中的地表景物到显微图像中生物体组织排列，都反映了纹理具有的规律性。对图像处理而言，图像纹理一般是指有大量或多或少相似的纹理元或模式组成的一种结构。纹理分析一般是针对纹理图像而言的，类似于眼纹、布纹、草地、麦田、砌砖平面等重复性结构的图像称为纹理图像。一般来说，纹理图像中灰度分布具有某种周期性，即使灰度变化是随机的，那么也符合一定的统计特性。第49页，课件共67页，创作于2023年2月人工纹理自然纹理人工纹理自然纹理第50页，课件共67页，创作于2023年2月第51页，课件共67页，创作于2023年2月自然纹理第52页，课件共67页，创作于2023年2月自然纹理第53页，课件共67页，创作于2023年2月人工纹理第54页，课件共67页，创作于2023年2月当纹理可以分解时，可以用两种基本特征来描述，即组成纹理的基元和基元之间的相互关系，前者与局部灰度变化规律有关，后者则与有前者形成的空间结构相关。纹理的这两个基本特征成为纹理分析的基本依据。第55页，课件共67页，创作于2023年2月纹理基元：把具有一定的不变性的视觉基元称为纹理基元。因此纹理可以看作是纹理基元以不同的形变及不同的方向重复出现的一种图形。第56页，课件共67页，创作于2023年2月1、统计方法有自相关函数、纹理边缘、结构元素、灰度的空间共生概率、灰度行程和自回归模型。将纹理描述为光滑、粗糙、粒状等等。2、结构方法研究基元及其空间关系。基元一般定义为具有某种属性而彼此相连的单元的集合，属性包括灰度、连同区域的形状、局部一致性等。空间关系包括基元的相邻性、在一定角度范围内的最近距离等等。第57页，课件共67页，创作于2023年2月2.6.1空间自相关函数方法粗糙度是纹理的一个重要特征。空间自相关函数可用来对纹理的粗糙度进行描述。对图像f，其自相关函数r定义为：第58页，课件共67页，创作于2023年2月式中：x，y分别是在x和y方向上移动的步长，如果坐标超过了原始图像的范围，取0值。自相关函数是取值在0到1之间的图像。随x，y的变化，可以绘制r－d曲线，其中，并用它来描述图像的粗糙程度。一般地，粗纹理特征的自相关函数随d的变化比较慢，细纹理则变化比较快。第59页，课件共67页，创作于2023年2月自相关函数可用于图像的识别，一般的步骤为：（1）、计算典型地物的自相关函数（2）、计算图像的自相关函数，并与（1）的结果进行比较，如果相近，则归于一类。如果d是固定的，那么，自相关函数的计算在窗口内进行，这种自相关函数称为局部自相关函数。此时，如果纹理的粗糙度发生变化，那么随着窗口的移动，产生的自相关函数值必然发生变化。问题的关键是d值大小的确定，这可以通过计算从大到小的d所对应的自相关函数来完成，比较清晰的图像所对应的d值往往就是最佳的值第60页，课件共67页，创作于2023年2月2.6.2共生矩阵方法用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特性，也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。它是定义一组纹理特征的基础。在图像中任意取一点（x，y）及偏离它的另一点（x＋a，y＋b）（其中（a，b）为整数，人为定义）构成点对。设改点对的灰度值为（f1，f2），再令点（x，y）在整幅图像上移动，得到不同的（f1，f2）。第61页，课件共67页，创作于2023年2月图象有L个灰度等级，则矩阵大小为L*L。对于整个图像，统计出每一种（f1,f2）出现的次数，然后排列成一个方阵，再用（f1,f2）出现的次数将他们归一化为出现的概率P（f1,f2），由此产生的矩阵为灰度共生矩阵。0123012123012323012303012301012301212301232301230第62页，课件共67页，创作于2023年2月01000001100001110000800009000010000090090000990000800a=1,b=0a=1,b=1a=2,b=0f1f1f101230123f201230123f201230123f2距离（a,b）不同，灰度共生矩阵中的值不同，a和b的取值要根据纹理周期分布的特性来选择，对于较细的纹理选取（1，0）（1，1）（2，0）等这