SAR圖像紋理特征提取.docx

《SAR圖像紋理特征提取.docx》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。

1、SAR圖像紋理特征提取1.基于灰度共生矩陣的紋理特征灰度共生矩陣表示了灰度的空間依賴關系，能夠很好地反映紋理中灰度級空間相關性的規(guī)律?；叶裙采仃嚤欢x為從灰度為i的像素點離開某一個固定位置關系的點上的灰度為j的概率（或頻度）。它不僅反映灰度的分布特性，也反映了具有同樣灰度的像素之間的位置分布特性，是有關圖像灰度變換的二階統(tǒng)計特征。一幅圖像的灰度共生矩陣能反映出圖像灰度關于方向、相鄰間隔、變換幅度的綜合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎。設f(x,y)為一幅二維數(shù)字圖像，其大小為(M×N)像素，灰度級為L，則滿足一定空

2、間關系的灰度共生矩陣為Pi,j=#{x1,y1,(x2,y2)∈M×N

3、fx1,y1=i,fx2,y2=j}式中，#表示集合的勢，顯然P為L×L的矩陣。若x1,y1與(x2,y2)間距離為d，兩者與坐標橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣P(i,j,d,θ)。由于灰度共生矩陣表示了圖像中相距(?x,?y)的兩個灰度級像素同時出現(xiàn)的聯(lián)合概率分布，因此，以灰度共生矩陣為基礎的紋理特征是一種有效的紋理表示方法?；叶裙采仃嚥粌H是角與相鄰分解單元之間的函數(shù)，而且是距離與相鄰分解單元之間的函數(shù)。對于距離為d的像素i與像素j，

4、通常有4個角度：0°、45°、90°、135°。因而得到4各方向的矩陣。為了降低運算復雜度，在計算灰度共生矩陣前，首先對圖像進行直方圖規(guī)則化，將灰度級將至16個灰度級，并構造共生矩陣。依據(jù)灰度共生矩陣，提出了14種統(tǒng)計量：角二階矩、對比度、相關、均方和、逆差分矩、和平均、和方差、和熵、熵、差方差、差熵、最大相關系數(shù)、兩個相關性信息測度?？梢灾贿x擇某一距離，某一角度的灰度共生矩陣，得到14種統(tǒng)計量，也可考慮4種方向的平均。2.基于灰度-梯度共生矩陣的紋理特征灰度共生矩陣雖然能夠很好地表示一種紋理模式下的像素灰度的空間關系，但它并不能反

5、映邊緣信息?；叶?梯度共生矩陣法師灰度級直方圖和邊緣梯度直方圖的結合，它考慮的是像素級和邊緣梯度大小的聯(lián)合統(tǒng)計分布。灰度-梯度共生矩陣法提供了區(qū)域的邊緣信息。對一幅(M×N)像素的灰度級為L的圖像fx,y(x=0,1,2,…M-1;y=0,1,2,…,N-1)，采用梯度微分算子求得其梯度圖像g(x,y)，對其進行灰度級離散化，則新的梯度圖像為，Gx,y=gx,y-gmingmax-gmin(Lg-1)其中gmax,gmin分別是的最大值和最小值。在梯度圖像Gx,y基礎上，定義灰度-梯度共生矩陣為，{Hi,j;i=0,1,2,..,L

6、-1;j=0,1,2,…,Lg-1}Hi,j定義為集合{(x,y)

7、fx,y=i,且Gx,y=j;x=0,1,2,…,M-1,y=0,1,1,…,N-1}，中元素之數(shù)目。有了灰度-梯度共生矩陣，就可以從中提取15種數(shù)字特征：小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關、灰度熵、梯度熵、混合熵、慣性、逆差矩。3.基于非下采樣小波分解的紋理特征金字塔小波分解用于紋理分析是由Mallat在其開創(chuàng)性的工作中首次提出的，在此之后，基于小波分解能量的不同紋理測度紛紛提了出

8、來。非下采樣小波變換雖然是以冗余為代價的，但由于具有平移不變特性，所以能夠提供穩(wěn)定的紋理特征。利用各分解子圖能量特征作為描述其紋理特征的信息測度，能夠使分類目標間的差異更明顯。以每個像素為中心的一個鄰域窗的非下采樣小波分解的能量值構成了該中心像素的紋理特征向量。采用l1-范數(shù)計算其能量測度：E=1MNi=1Mj=1NR(i,j)式中，M×N為子圖像的大??；i,j表示子圖像中系數(shù)的索引；R為該子圖像的小波系數(shù)。很顯然，采用2等或3層多分辨分析方法提取特征對局部分析來說比僅適用一層更為可取。因此，進行3層小波分解，得到10維特征向量(e

9、LL-1,eLH-1,eHL-1,eHH-1,eLH-2,eHL-2,eHH-2,eLH-2,eHL-2,eHH-2)其中表示第一層分解的LL子圖像。LL子圖像通過橫向和縱向的低通濾波獲得。細節(jié)圖像LH、HL、HH包含了高頻分量。