前兩周的課設(shè)主題是目標(biāo)識(shí)別與檢測，具體領(lǐng)到的題目是遙感圖像分類，細(xì)化到個(gè)人的任務(wù)是基于灰度共生矩陣（GLCM）的圖片特征提取。最終實(shí)現(xiàn)了50幀樣本圖像的256個(gè)特征提取工作?？偨Y(jié)下來是一個(gè)比較基礎(chǔ)的課設(shè)，也可以學(xué)到很多東西。

下面就開始今天的分享！

01

理論篇

今天主要討論遙感圖像分類。提到圖像分類，追根溯源，要從模式識(shí)別談起。了解模式識(shí)別的原理對理解圖像分類有一定幫助。模式識(shí)別就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。模式識(shí)別的流程直接上圖更清楚些。

圖1?模式識(shí)別流程圖

由此引入遙感圖像分類的基本原理：

基于遙感圖像中反映的同類地物的特征相似性和異類地物的特征差異性。通過分析特征空間中點(diǎn)群的位置分布中心、分布規(guī)律等，確定點(diǎn)群的界限，完成分類。

遙感圖像分類的（主要步驟/分類過程）

1.分類預(yù)處理:大氣校正、幾何校正與配準(zhǔn)

2.特征選擇(提取)

3.分類(監(jiān)督分類訓(xùn)練區(qū)的選擇)

4.分類后處理，包括精度評價(jià)

5.專題圖制作

上述分類過程基本可以說是我們課設(shè)小組實(shí)現(xiàn)的全部工作。而我負(fù)責(zé)做的特征選擇(提取)部分，就是在接收到批量預(yù)處理的圖片后，對每張圖片進(jìn)行特征提取工作，每張圖片提取256個(gè)特征值，得到50*256樣本特征值矩陣。之后將特征值矩陣傳遞給做分類的同學(xué)，就可以實(shí)現(xiàn)整個(gè)分類過程。那么什么是特征提取呢？

特征提取（Feature extraction）

利用一定算法找出最能反映地物類別差異的特征變量用于分類的過程。遙感圖像的特征包括光譜特征（Spectral features）、空間幾何特征（geometrical features）、紋理特征（Texture?features）和輔助數(shù)據(jù)（auxiliary data）。本次提取的是遙感圖像的紋理特征。

紋理特征（Texture extraction）

紋理:地物顏色和灰度的某種變化特征，在圖像中局部呈現(xiàn)不規(guī)則變化，而在整體和宏觀上表現(xiàn)出某種規(guī)律性的圖斑。不同圖片的紋理不同，比如有這樣的：

也有這樣的：

不同圖像的紋理不同，對應(yīng)的紋理參數(shù)也不同。因此以此為切入點(diǎn)，提取不同類別圖像的紋理參數(shù)，之后輸入到分類器中即可實(shí)現(xiàn)圖片分類。

表示紋理的方法:

–圖斑內(nèi)像元的均值和標(biāo)準(zhǔn)偏差（直方圖統(tǒng)計(jì))

-灰度共生矩陣(GLCM)

-分形維數(shù)

本文就是基于灰度共生矩陣(GLCM)對遙感圖像的特征進(jìn)行提取?；叶裙采仃?Gray level co-occurrencematrix，GLCM)是學(xué)術(shù)界公認(rèn)的具有較強(qiáng)魯棒性和適應(yīng)特性的理論，并且也是研究遙感圖像像素值空間關(guān)系的常用方法。

灰度共生矩陣GLCM

灰度共生矩陣法，就是通過計(jì)算灰度遙感圖像得到它的共生矩陣，然后透過計(jì)算這個(gè)共生矩陣得到矩陣的部分特征值，來分別代表遙感圖像的某些紋理特征，具體見圖2。

圖2 GLCM概念圖

灰度共生矩陣就是從遙感圖像(x,?y)灰度為i的像元出發(fā)，統(tǒng)計(jì)與距離為 o=(Ax2+Ay2 )/2、灰度為j的像元同時(shí)出現(xiàn)的概率P。

直接放報(bào)告原文：

本文選取0、45、90和135四個(gè)方向，選擇的距離為1?

灰度共生矩陣計(jì)算完畢后，就是計(jì)算特征向量啦！

生成GLCM特征向量

本文選用均值、方差、標(biāo)準(zhǔn)差、逆差矩、能量、熵、慣性矩、相關(guān)作為遙感圖像子區(qū)域的8維紋理參數(shù)。

公式太難打了，就直接上報(bào)告了：

對于一幀圖像，首先灰度級量化，由256級量化為16級。第二將圖片分割成32塊子區(qū)域，對每個(gè)區(qū)域求四個(gè)方向的GLCM矩陣。之后對矩陣歸一化計(jì)算矩陣對應(yīng)的紋理參數(shù)，得到子區(qū)域紋理特征。最終串聯(lián)所有的子區(qū)域特征，得到一幀圖像的256個(gè)特征向量。

02

—

實(shí)操實(shí)戰(zhàn)

依據(jù)Part One中的理論，基于MATLAB軟件，實(shí)現(xiàn)過程流程圖如下：

總結(jié)來說，對于一幀樣本圖像，首先進(jìn)行灰度級量化，將遙感圖像由256級量化為16級。?第二步將圖片分割成32塊子區(qū)域，對每個(gè)區(qū)域求解其四個(gè)方向的GLCM矩陣。之后對GLCM矩陣歸一化，并計(jì)算矩陣對應(yīng)的紋理參數(shù)，得到子區(qū)域紋理特征。最終串聯(lián)所有的子區(qū)域特征，得到一幀遙感圖像最終的256個(gè)特征向量，可作為后續(xù)KNN算法的訓(xùn)練數(shù)據(jù)集。（在實(shí)際操作第二步第一步是對調(diào)了的）

對于某一幀圖像為例，原圖如下，就叫他‘50’吧：

將其分割為32個(gè)子區(qū)域，并保存到以文件夾路徑中。如下圖所示：

顯示一下：

之后調(diào)用程序，就可以獲得對應(yīng)圖像的256個(gè)特征值了。

為了對比選用的各個(gè)特征（均值、方差、標(biāo)準(zhǔn)差、逆差矩、能量、熵、慣性矩、相關(guān)）是否能顯著體現(xiàn)圖片差異，在未對遙感圖像進(jìn)行子區(qū)域劃分前，通過計(jì)算50幀圖像的4個(gè)共生矩陣得到8維特征值，分別代表遙感圖像的某些紋理特征。首先對遙感圖像四個(gè)方向的GLCM矩陣求出的紋理參數(shù)求均值，之后對每類10張圖片的相同特征求均值，最終得到圖片的特征矩陣8*5特征值矩陣，歸一化后如下表所示。

繪制成直方圖如下所示。

分析可得不同遙感圖像在同種類別的紋理特征值中，其數(shù)值就存在明顯的差異。各類遙感圖像的均值、標(biāo)準(zhǔn)差、逆差距、熵分布差異相比慣性矩、相關(guān)性和能量較小，因此慣性矩、相關(guān)性和能量在此種特征范圍劃分下更能反映不同類別遙感圖像的差異。由圖可見，十字路口的相關(guān)性最大，港口的相關(guān)性最小；停車場的慣性矩最大，球形儲(chǔ)罐的慣性矩最?。磺蛐蝺?chǔ)罐的能量最大，密集住宅的能量最小，各類遙感圖像均有各自特征。也表明了選取的遙感圖像不同，則提取的紋理特征值也會(huì)存在較大的差異，這種差異規(guī)律基本與實(shí)際的遙感圖像紋理情況相符合。

編輯：黃飛

?