（计算数学专业论文）遥感图像特征提取方法研究.pdf

摘要 遥感图像在军事侦察、精确打击以及民用方面都有重要的作用，遥感图像的 特征提取是进行遥感图像自动识别的关键技术，因此开展遥感图像的特征提取研 究工作具有实际意义和应用前景。本文主要研究和讨论了遥感图像的两类最重要 的特征光谱特征和纹理特征的特征提取方法。 论文首先总结了遥感图像特征提取方法的基本理论和算法，概括了目前常用 的光谱和纹理特征提取方法。在此基础上，针对传统的p c a 和k p c a 方法提取 遥感图像光谱特征的缺陷以及遥感数据的特点，本文讨论了一种将基于 m a h a l a n o b i s 距离的模糊c 均值聚类与k p c a 方法相结合的多光谱遥感图像特征 提取方法，并着重研究了此方法在多光谱遥感图像特征提取中的理论、算法及其 实现。通过对本文方法与p c a 和k p c a 方法的试验结果进行比较，证实了本文 方法的特征提取性能较前两种方法有显著的提高，可有效地提取多光谱图像中的 非线性信息。 纹理特征作为光谱特征的重要补充，是遥感图像的一个基本且重要的特征。 在总结小波和小波包基本理论及其快速算法的基础上，对应用小波包变换进行遥 感图像的纹理特征提取技术进行了研究。根据图像纹理信息能量主要集中于中高 频这一特点，利用图像的小波包分解得到的中高频子带构造了遥感图像的纹理特 征向量，并给出了两种纹理之间的相似性的度量方法。通过对b r o d a t z 标准纹理 库进行图像检索试验，检验了本文所构造的纹理特征向量和纹理相似度的有效 性。在此基础上，应用本文方法对开罗城区的i k o n o s 卫星遥感图像进行特征 提取试验，取得了良好的提取效果。 关键词：遥感图像，光谱特征，纹理特征，特征提取，小波包 a b s t r a c t r e m o t es e n s i n gi m a g eh a sg r e a ti m p o r t a n c ef o rm i l i t a r yr e c o n n a i s s a n c e ， p r e c i s i o na t t a c ka n dc i v i la c t i v i t i e s f e a t u r ee x t r a c t i o n i sc r i t i c a lf o rt h ea u t o m a t i c r e c o g n i t i o nt e c h n o l o g yo fr e m o t es e n s i n gi m a g e ，s oi t h a sg o o da p p l i c a t i o np r o s p e c t t os t u d yf e a t u r ee x t r a c t i o nm e t h o d so fr e m o t es e n s i n gi m a g e t h i st h e s i sf o c u s e st h e r e s e a r c hw o r km a i n l yo nt h ef e a t u r ee x t r a c t i o nm e t h o d so ft h et w om o s ti m p o r t a n t f e a t u r e s ，s p e c t r u ma n dt e x t u r e f i r s t l y ，t h et h e s i si n t r o d u c e st h eb a s i ct h e o r ya n da l g o r i t h m so fr e m o t es e n s i n g i m a g ef e a t u r ee x t r a c t i o nm e t h o d s t h ec o m m o n l yu s e dr e m o t es e n s i n gi m a g ef e a t u r e e x t r a c t i o nm e t h o d sf o rs p e c t r u ma n dt e x t u r ea l eg e n e r a l i z e ds e p a r a t e l y c o n s i d e r i n g t h ec h a r a c t e ro ft h er e m o t es e n s i n gi m a g ed a t aa n dt h el i m i t a t i o no ft r a d i t i o n a lp c a a n dk p c am e t h o d sw h e nt h e ya r cu s e dt oe x t r a c tt h es p e c t r u mf e a t u r eo fr e m o t e s e n s i n gi m a g e ，ac o m b i n a t i o no ft h ef c m a n dk p c am e t h o d si su s e df o re x t r a c t i n g t h es p e c t r u mf e a t u r e b o t ht h et h e o r ya n da l g o r i t h ma r es t u d i e d ，a sw e l la st h e i m p l e m e n t a t i o n ac o m p a r i s o nb e t w e e nt h er e s u l t so fp c a ,k p c aa n d m f c m + k p c am e t h o d si sg i v e n ，w h i c hs h o w st h a tt h em f c m + k p c a m e t h o dc a n g i v eam u c hb e t t e rr e s u l tt h a no t h e rm e t h o d s ，e s p e c i a l l yi ne x t r a c t i n gt h en o n l i n e a r i n f o r m a t i o no fm u l t i s p e c t r a lr e m o t es e n s i n gi m a g e s a sa ni m p o r t a n tc o m p l e m e n t a r i t yo fs p e c t r u mf e a t u r e ，t e x t u r ei sa l s oab a s i ca n d i m p o r t a n tf e a t u r eo fr e m o t es e n s i n gi m a g e b a s e do na ni n t r o d u c t i o no ft h eb a s i c t h e o r ya n dq u i c ka l g o r i t h mo fw a v e l e ta n dw a v e l e tp a c k e t ，t h em e t h o db a s e do n w a v e l e tp a c k e tt r a n s f o r m a t i o ni ss t u d i e dt oe x t r a c tt h et e x t u r ef e a t u r eo ft h er e m o t e s e n s i n gi m a g e r y a st h ee n e r g yo ft e x t u r ei n f o r m a t i o nm a i n l yc o n c e n t r a t e so nt h e i n t e r m e d i a t ea n dh i g hf r e q u e n c ys u b b a n d s ，t h ec h a r a c t e r i s t i cv e c t o ro ft e x t u r ef e a t u r e i sc o n s t r u c t e df r o mt h ei n t e r m e d i a t ea n dh i g hf r e q u e n c ys u b b a n d sa f t e rt h ew a v e l e t p a c k e tt r a n s f o r m a t i o no fr e m o t es e n s i n gi m a g e r y m o r e o v e r , am e a s u r e m e n to ft h e s i m i l a r i t yb e t w e e nt w od i f f e r e n tt e x t u r e si si m p r o v e d a ni m a g es e a r c h i n ge x p e r i m e n t i l b a s e do nt h eb r o d a t zs t a n d a r dt e x t u r el i b r a r ys h o w st h ee f f i c i e n c yo ft h ev e c t o ra n d t h em e a s u r e m e n t f i n a l l y ，t h et e x t u r ef e a t u r ee x t r a c t i o n e x p e r i m e n t sb a s e do n i k o n o sr e m o t es e n s i n gi m a g eo fc a i r oc i t yi sc a r r i e do u tw i t ht h ep r e s e n t e dm e t h o d t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e dm e t h o da p p e a r sb e t t e r i nf e a t u r e e x t r a c t i o n k e y w o r d s ：r e m o t es e n s i n gi m a g e ，s p e c t r u mf e a t u r e ，t e x t u r ef e a t u r e ，f c a m r e e x t r a c t i o n ，w a v e l e tp a c k e t i i i 西北工业大学 学位论文知识产权声明书 本人完全了解学校有关保护知识产权的规定，即：研究生在校攻读学位期间论文工作 的知识产权单位属于西北工业大学。学校有权保留并向国家有关部门或机构送交论文的复 印件和电子版。本人允许论文被查阅和借阅。学校可以将本学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律注明作者单位为西北工业 大学。 保密论文待解密后适用本声明。 学位论文作者签名：弓长觅葺 土。睢3 月3 d 日 指导教师签名：童! f 丝 如噼3 月3 0 日 西北工业大学 学位论文原创性声明 秉承学校严谨的学风和优良的科学道德，本人郑重声明：所呈交的学位论文，是本 人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容 和致谢的地方外，本论文不包含任何其他个人或集体已经公开发表或撰写过的研究成 果，不包含本人或其他已申请学位或其他用途使用过的成果。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式表明。 本人学位论文与资料若有不实，愿意承担一切相关的法律责任。 学位论文作者签名：歌范霉 2 0 0 1 年3 月3 0 日 第一章绪论 1 1 研究背景和意义 第一章绪论 遥感( r e m o t es e n s i n g ) 是一种远离目标，在不与目标对象直接接触的情况 下，通过某种平台上装载的传感器获取其特征信息，然后对所获取的信息进行提 取、判定、加工处理及应用分析的综合性技术。它是目前为止能够提供全球范围 的动态观测数据的唯一手段。由于遥感提供的数据具有实时性高、覆盖范围广、 信息丰富客观等优点，它已经被广泛应用于航空、航天、军事侦察、灾害预报、 环境监测、资源勘探、土地规划与利用、灾害动态监测、农作物估产、气象预报 等很多军事及民用领域，并且在这些领域中有着举足轻重的地位，对经济和社会 发展起着重大的推动作用1 1 1 。 随着2 1 世纪的到来，遥感正朝着三高( 高空间分辨率、高光谱分辨率、高时 相分辨率) 和三多( 多传感器、多平台、多角度) 的方向迅猛发展i ”。面对如此海量 的信息源，如何及时、准确地获取所需信息并加以利用，一直是我们需要解决的 重大问题。美国议会指责n a s a ；“迄今积累的遥感数据，有9 5 从来没有人看 过。”这说明遥感应用的水平严重地滞后于空间遥感技术的发展。 分类是将复杂的现象简化为少量的一般性类别的过程，它是人们从遥感影像 中提取有用信息的重要途径之一。传统的方法是目视解译，这种方法既需要图像 目视判读者具有丰富的地学知识和目视判读经验，又需要花费大量的时间，劳动 强度大，信息获取周期长，遥感图像的解译质量受耳视判读人员的经验及其对解 译区域的熟悉程度等人为因素的影响。因此遥感图像目标的自动分类和识别成为 遥感技术应用研究的重点。遥感图像自动分类处理的过程如图1 i l ”。随着遥感 技术的发展，获得遥感图像的波段数不断增多，为我们了解地物提供了极其丰富 的遥感信息，这有助于完成更加细致的遥感地物分类和目标识别，然而波段的增 多也必然导致信息的冗余和数据处理复杂度的增加。虽然每一种图像数据都可能 包含了一些用于自动分类的信息，但就某些指定的地物分类而言，并不是所获得 的全部波段图像数据都可用，如果不加区别地将大量原始图像直接用来分类，不 仅数据量太大，计算复杂，而且分类的效果也不一定好。为了有效地实现分类识 别，必须对原始采样数据进行变换，得到最能反映本质的特征，这就是特征提取 和选择的过程。特征提取和选择既能减少参加分类的特征图像的数目，又能从原 始信息中提取出能更好地进行分类的图像特征。从遥感图像分类识别的过程来 第一章绪论 看，特征提取技术是遥感图像自动分类前一个很重要的处理过程，是保证遥感图 像分类精度的关键。虽然人们对特征提取问题进行了许多研究，但这仍然是一个 相对不成熟的领域，多数方法仍具有很大的经验性。因此，对特征提取技术的研 究仍然具有重要意义。 詈鬟麓h 提数取据；j i i 练h 薯篆麓h 象耋与预处理il数据ii 特征提取ii 处理萼言麓h 譬果i t t与后处理li 输 圈1 - 1 遥感图像自动分类处理的一般过程 1 2 特征提取方法的研究现状 为了便于有效地分析和研究，往往需要对给定的遥感图像用更为简单明确的 数值、符号或图形来表征，它们反映了图像中基本的重要的信息，称之为图像的 特征。图像特征是图像分析的重要依据，获取图像特征信息的操作称为特征提取。 它作为模式识别、图像理解或信息量压缩的基础是很重要的。如图1 - 2 所示，可 以获得特征构成的图像( 称为特征图像) 和特征参数1 4 1 。 乏攀毵 进一步抽象化”气 分类 模式识别 图像理解 特征空间 图1 - 2 图像的特征提取 图像特征提取涉及的面很广，从一幅图像中提取出什么样的特征，需要根据 用户所关心的问题来决定。由于图像具有很强的领域性，不同的领域图像的特征 千差万别，与图像所反映的对象物体的各种物理的、形态的性能有很大的关系， 因而有各种各样的特殊方法。 遥感图像中存储着极为丰富的信息，图像特征结构复杂，其中有些是视觉直 接感受到的自然特征，如区域的亮度、边缘的轮廊、纹理或色彩等：而有些则是 需要通过变换或测量才能得到的人为特征，如谱、直方图、矩等。总体来说遥感 图像的特征主要有光谱特征、纹理特征和形状特征等舻l 。 2 第一章绪论 在遥感图像的特征提取方面，国内外已经做了很多工作。目前用于遥感图像 分类处理中的光谱特征提取方法可以归纳为如下三种变换： 代数运算法：对原始波段数据进行代数运算，包括加、减、乘、除、乘方、 指数、对数等运算，其中最常见的为比值法，其目的是消除乘性因子带来的影响， 或者增强某种信息而抑制另一种信息。几种典型的植被指数如比值植被指数1 “、 归一化植被指数i ”、垂直植被指数i s l 、土壤可调查植被指数i 】、抗大气植被指数 i t o 和增强植被指数1 1 ”等就是通过对原始波段数据的反射率进行代数运算后得到 的。 导数法：主要用在高光谱图像处理中，能够提取出不同酌光谱参数，矗i 最 收峰位置【1 2 l ，植被的红边位置1 1 3 1 等，导数光谱还能够消除大气效应i l | 】。 变换法：变换法又分为三种类型：一种是代数变换，包括线性和非线性变 换，线性变换即通过l ，一口一工，主要目的是达到某种最优结果，常用的方法有缨 帽变换嗍、主成分分析( p c a ) 、最小最大自相关因子法1 1 6 j 、最大噪声分量变换 1 7 l 、典型分析法【1 8 1 等。还有一些采用了非线性变换法，有的非线性变换甚至可 能是隐含的，如神经元网络用于特征提取1 1 9 】。第二种是将特征维数据作为一维 信号，采用信号处理的方法，如傅立叶变换、小波变换等，将之变换到频率域， 在频率域进行特征滤波，增强处理等，再变换回时域，使得有用的目标信号增强， 而无用的干扰信号减弱，从而使不同频率( 或不同尺度、不同分辨率) 的信号得 到分离，这种变换称为时一频变换法1 2 0 l 。还有一种只适用于三波段图像的变换， 用来将以r g b 三色表示的合成图像转换为h i s 形式的合成图像，从而可以增强 其中部分信息，这种方法可称为色度变换法，如r g b h i s ，h i s r g b 变换1 2 1 l 。 纹理是遥感图像上的重要信息和基本特征之一，是进行图像分析和图像理解 的重要信息源。由于纹理的大量存在和复杂多样，纹理特征提取在遥感图像处理 领域不但具有重要的地位，而且具有较大的难度，因而一直是人们关注和研究的 一个热点和难点多年来研究者们建立了许多纹理算法以测量纹理特性，这些方 法大体可以分为三类：统计分析法、结构分析法和频谱分析法涵2 1 。 统计方法是目前研究较多、较为成熟的方法，在纹理分析领域占有主导地位， 它主要使用纹理图像的各种统计特征( 标准偏差、方差、倾斜度和峰度) 作为纹 理特征。经常采用的统计方法有灰度共生矩阵法、l a w s 纹理能量法彤i 、空问 自相关函数法1 等。结构分析方法也称几何法，它将纹理视为某种纹理基元按 照特定规律重复出现而产生的结果，通常采用f o u r i e r 谱分析技术确定纹理基元 及其重复出现规律，这种方法一般只适用于纹理基元及排列比较规则的人造纹 理。颏谱方法也叫数学变换法，是建立在多尺度分析与时、频分析基础上的纹理 分析法，其在频率域中借助傅立叶频谱特性来描述周期或近乎周期的二维图像模 3 第一章绪论 式的方向性。常用的频谱分析法包括空间域滤波、傅立叶变换1 2 7 , ”1 、g a b o r 滤波 1 2 9 1 和小波变换1 3 0 , 3 ”。 结构分析方法将研究重点放在分析纹理元之间的相互关系和排列规则上，仅 适合于规则纹理，对于分析自然纹理图像很难取得满意的效果，而且特征的选取 由于对图像本身要求比较高，在实际当中不容易见到。结构分析法对纹理的宏观 性和结构性描述较好，但适应性远不如统计分析方法。当纹理基元大到足够单独 地被分割和描述时，结构分析法比较有用。而当纹理基元很小并构成微细纹理时， 统计分析法比较有效。频谱分析法根据人的视觉机理，利用在空间域和频率域同 时取得较好局部化特性的滤波器对纹理图像迸行滤波，从而获得较为理想的纹理 特征，同时这类方法具有良好的方向特征和尺度变化特征，但很难得到稳定的纹 理特征，并且计算量较大。 关于形状特征提取方面，虽然图像的形状特征对模式识别来说具有重大意 义，但在遥感分类方面应用较少，对于形状特征提取的研究的文献相对来说还比 较少。形状特征，也称为轮廓特征，是指整个图像或者图像中子对象的边缘特征 和区域特征，也是模式识别的主要特征之一，对图像轮廓的平移和旋转变化的抑 制等是其研究的主要内容。对计算机图像识别系统而言，物体的形状是一个赖以 识别的重要特征。图像的形状特征不随目标颜色、纹理、背景的变化而变化，是 物体稳定的特征。对形状特征的提取主要是寻找一些几何不变量，目前典型的形 状特征描述方法主要有两类：基于边界和基于区域的形状特征提取方法吲。前 者利用图像的边缘信息，而后者则利用区域内的灰度分布信息。基于边界的形状 特征提取是在边缘检测的基础上，用面积、周长、偏心率、角点、链码，兴趣点、 傅立叶描述子、矩描述子等特征来描述物体的形状，适用于边缘较为清晰、容易 获取的图像。基于区域的形状特征提取的主要思路是通过图像分割技术提取出图 像中感兴趣的物体，依靠区域内像素的颜色分布信息提取图像特征，适合于区域 能够较为准确的分割出来、区域内颜色分布较为均一的图像。 国内外对特征提取方面的研究已经傲了很多工作，有些成果己具备初步的实 用价值。但由于对图像特征理解的复杂性以及图像具有很强的领域性，不同的领 域i 虱像的特征千差万别，尽管人们提出了很多特征提取算法，但现有的特征提取 算法基本上还处于实验阶段，其准确性、实用性、通用性等方面离大规模实际应 用的要求还有很大差距。 1 3 本文的主要工作 本文从遥感图像的光谱特征和纹理特征出发，对遥感图像的特征提取技术进 4 第一章绪论 行了研究，全文共分五章，各章节的主要内容如下： 第一章主要介绍了本文的研究背景和选题意义，概括了国内外特征提取方法 的研究现状，并介绍了本文的主要工作。 第二章概括了遥感图像光谱特征和纹理特征提取技术。对于光谱特征提取， 介绍了遥感图像的光谱特征的基本概念以及特征提取中常用的光谱特征的基本 统计量，概括了目前常用的光谱特征提取方法；对于纹理特征提取，介绍了图像 的纹理的概念以及纹理分析的主要研究内容和研究方法，概括了目前常用的纹理 特征提取方法。 第三章讨论了一种基于m f c m 和k p c a 的多光谱图像特征提取方法。首先， 简要介绍了p c a 、k p c a 方法，在对利用k p c a 方法处理多光谱图像的试验结 果进行分析的基础上，指出了利用传统的k p c a 方法处理多光谱图像的缺陷。 其次，结合遥感数据的特点，对k p c a 方法的输入数据方法进行了改进，先用 m f c m 方法对原始数据进行聚类，然后将获得的聚类中心作为输入样本，再进 行k p c a 。最后，通过试验说明本文方法能够有效地提取多光谱图像的非线性的 特征，消除图像闻存在的高阶相关性。 第四章研究了基于小波包变换的遥感图像的纹理特征提取技术。首先，在介 绍了小波以及小波包基本理论的基础上，根据图像的纹理信息能量主要集中在中 高频部分的特点，构造了遥感图像纹理特征向量，并针对本文所采用的方法对图 像的纹理相似度进行了度量。其次，通过对b r o d a t z 标准纹理库进行图像检索试 验检验了本文所采用方法的有效性。最后，应用本文方法对开罗城区的i k o n o s 卫星遥感图像进行特征提取试验，取得了良好的提取效果。 第五章总结了本论文的主要研究工作，讨论了一些有待解决的问题，并且对 今后的工作做出了展望。 5 第二章遥感图像特征提取技术 第二章遥感图像特征提取技术 在遥感图像的分类识别过程中，图像的各种特征提取技术在其中扮演了重要 角色。遥感图像特征提取主要包括三个部分：光谱特征提取、纹理特征提取以及 形状特征提取。光谱信息反映了地物反射电磁波能量的大小，是图像目视判读的 基本依据。在目前的遥感图像处理研究中，多利用光谱特征，但随着遥感技术的 发展以及图像解译与分析工作的深入，人们发现仅仅使用遥感图像的光谱特征， 己经不能有效地进行计算机分析和自动识别。作为遥感图像中的重要信息纹 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，能充分地 反映影像特征。无论从理论上还是从应用上它都是描述和识别图像的重要依据。 图像的形状特征对模式识别来说具有重大意义，但在遥感分类方面应用较少，所 以本章主要讨论光谱特征提取和纹理特征提取。 2 1 光谱特征提取 光谱特征是图像中目标物的颜色及灰度或者波段间的亮度比等，它通过原始 波段的点运算获得。光谱特征的特点是，它对应于每个像素，但与像素的排列等 空间结构无关【3 3 1 。 光谱特征是一种地物区别于另一种地物的本质特征，是组成地物成分、结构 等属性的反映，正常情况下不同地物具有不同的光谱特征( 在一些特殊情况下会 出现同物异谱、同谱异物现象) ，因此根据地物光谱特征可以对遥感图像进行特 征提取i ”。 在遥感图像的所有信息中最直接应用的是地物的光谱信息，地物光谱特性可 通过光谱特征曲线来表达。遥感图像中每个像素的亮度值代表的是该像素中地物 的平均辐射值，它随地物的成分、纹理、状态、表面特征及所使用电磁波波段的 不同而变化。 2 1 1 光谱特征的基本统计量 地物的光谱一般是指图像上像素的亮度值，但一般很少有人用各点灰度作为 特征，一般的光谱特征提取是指统计特征或地物光谱曲线特征或光谱的地学特 征。在对图像数据进行处理的过程中，常用的基本统计量有灰度的均值、方差、 协方差、标准差等。 6 第二章遥感图像特征提取技术 ( 1 ) 一阶统计特征 对测量光谱值取均值是求特征光谱的一阶统计特征。人们通常习惯于用一条 标准光谱曲线来描述某类地物的光谱响应，这实际上忽略了由于环境背景等因素 造成的影响。同时，由于光谱仪器本身具有随机噪声，光线通过大气传输的过程 也会受到大气的随机扰动等种种因素影响，使得光谱测量本身并不唯一。因此绝 对的“标准光谱线”是不存在的，它应当是大量测量结果的统计平均值。 ( 2 ) 二阶统计特征 以均值为代表的一阶统计特征只能给出类别样本中心位置的统计估计，但是 对于多波段图像仅知道这一点对分类是不够的，不仅要对每个波段进行最基本的 统计分析，而且还要对各波段之问的关系进行相关分析，这样就需要用以方差、 协方差与标准差等为代表的二阶统计特征来刻画。 一般地，采用正态分布假设来描述样本的分布情况，其均值表示样本分布 的中心位置，方差盯表示样本的离散程度。假设划分出某个光谱通道的响应值分 布的一个区间( 盹一七q ，肛+ 七q ) ，其中一为该类地物i 通道的均值，k 为一系数， 仉为该通道的方差。k 取不同值时，就会有不同百分比含量的样本落入该统计区 间。这样，方差及与之对应的标准差就可以在统计意义上给出类的分布范围。 在多维空间中由各通道( 一一七q ，“+ 七q ) 所界定的区域仍然不能完全反映 样本的分布特征，特别是分布形状。这样，就需要在多维空间中采用另外一种二 阶统计特征协方差矩阵来描述。协方差矩阵的元素表示样本的两个通道之间 的协方差，反映了两个通道的相关性。 综上所述，均值是类别样本的一阶统计量，而方差、协方差、标准差是类 别样本的二阶统计量，两者均有助于对地物类别的样本特征空间进行统计描述。 大量研究表明 3 5 1 ，在模式分类中不但要充分利用一阶统计特征，而且要利用二 阶统计特征，这样才能进行有效的特征提取，提高分类精度。 2 1 2 常用的光谱特征提取方法 目前适用于光谱数据的一些光谱特征提取方法，主要有主成分分析方法、 k - t 变换、典型分析方法、基于遗传算法的特征提取等。 ( 1 ) 主成分分析方法 主成分分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 也称为k l 变换，是在统 计特征基础上的多维( 如多波段) 正交线性变换，也是遥感数字图像处理中最常 用的一种变换算法。线性变换方法进行特征提取的目的是，从高维数据空间中， 产生出一个合适的低维子空间，使数据在这个空间中的分布可以在某种最优意义 7 第二章遥感图像特征提取技术 上描述原来的数据。主成分分析就是用得最多的一种线性变换方法，它产生一个 新的图像序列，使图像按信息含量( 或方差) 由高到低排列，图像之间的相关性 基本消除。用前几个主成分就可以表述原始数据中绝大多数信息含量，这是信息 含量在最小均方差意义上的最优解。本文将在第三章详细讨论利用主成分分析方 法进行遥感图像的光谱特征提取。 ( 2 ) k _ t 变换 k 一破换即樱帽变换，它利用图像变量之间的相关性，在变量空间进行转轴 变换，建立起k t 空间的3 个新轴，分别命名为亮度、绿度和湿度轴。k i - t 变换 可以达到消除干扰分离信息的目的。此项技术最早应用于1 9 7 6 年，k a u t h 和 t h o m a s 利用陆地卫星m s s 数据的k - t 变换，成功地建立起光谱综合信息与自然景 物特征间的联系。c r i s t 和c i c o n a 鬃t 此种变换方法应用于陆地卫星t m 数据，将光 谱信息综合成与自然景观特征相联系的信息，使其具有明确的物理意义。 k - 1 变换是基于如下的统计事实：通过对大量m s s 图像的统计研究，发现把 各种土壤和各种植被地物按它们在陆地卫星图像4 个波段( 玩，豉，玩和毋) 中的 亮度值( x 。，噩，j ，6 和) 投影到光谱特征空间中，落在一个形似三角形帽状 的集群范围内，如图2 1 所示。其中，各种土壤地物特征点的分布比较集中在“帽” 底，并且随着土壤反射亮度的不同，而沿着一条通过特征空间原点的辐射线，。散 布。各种植被地物特征点的分布比较集中在“帽”空间中，特征点的分布是沿着垂 直于“帽”底面的轴线，方向变化的。另设两个正交轴，。定为帽形集群的结 构轴。 图2 - 1k - t 变换示意图 缨帽结构反映出如下规律性：作物幼苗的遥感图像主要反映士壤光谱特征； 随着幼苗的长大，其光谱特征逐渐向绿色植被区方向逼近；达到顶点后，作物成 8 第二章遥感图像特征提取技术 熟，变黄，枯萎，收割，其光谱特征又向土壤面回落。k a u t h 和t h o m a s 在总结 m s s 图像数据特征的基础上，提出了一种适用于m s s 图像数据的经验线性交换， 使其光谱特征空间变换到几个有物理意义的方向上，即： y r 7 x + ， ( 2 1 ) 式中：z 为m s s 图像4 个波段数据组成的矩阵，每一行为一个波段像素组成的 向量，y 为缨帽变换后的数据矩阵，屁为缨帽变换的正交交换矩阵，r 为补偿向 量。 由于利用了所有波段的线性组合，l 变换提取的植被信息量比只利用两个 波段的植被指数n d v i 要高。- 0 - t 变换的缺点是依赖于传感器，固定的转换系数 对其他的传感器不适用。 ( 3 ) 典型分析方法 典型分析( c a n o n i c a la n a l y s i s ，c a ) 方法，在特征提取提取方法中也称为判 别分析特征提取法，能够对任意数据集最大化其类问方差与类内方差的比值，从 而保证了其最大的可分离性1 1 ”。 由于典型分析变换是在用训练样本取得的分类统计特征基础上的正交线性 变换，因而可以用一般线性变换式y t x 来表示。问题的关键是如何从训练样 本数据中找到一个理想的变换矩阵z 。下面将通过变换矩阵丁的推导来介绍c a 方法的基本原理。 不失一般性，这里只考虑两类目标：类型1 和类型2 。设以为变换后类型1 和类型2 之间的标准差，口0 、吼：分别为变换后类型1 和类型2 的类内标准差， 吒为o w l 和o w ：的平均值。变换后方差与变换前方差之间的关系为： 一t 7 印( 2 - 2 ) 一一，s a t( 2 - 3 ) 其中，& 和影分别为给定样本的类内散度矩阵和类间散度矩阵。c a 变换 的目标就是要寻找使得类间方差与类内方差的比值z 仃2 达到最大值的这个特 定的映射变换向量f ，也即使得 a - 一以- t 7 只t t 7 印( 2 4 ) 最大化，进一步可以得到 ( s 一心，) t 一0( 2 5 ) 其中a 表示所有的特征值五组成的对角矩阵，而所有的列向量t 组成的矩阵 r 就是所要求的变换矩阵。 c a 变换以类间差异和类内差异比值最大为优化条件，使得最大特征值相对 9 第二章遥感图像特征提取技术 应的第一典型轴包含了最大的可分信息，与次大特征值相对应的第二坐标轴包含 了第二大可分信息，依此类推。对于有p 个波段、g 类地物的遥感数据，c a 变 换最多能得到g 一1 维非零子空间，只有g ，1 个特征轴具有可分离信息，这就是 说c a 变换在增大类别可分性的同时也降低了数据空间的维数m 1 ( 4 ) 基于遗传算法的特征提取 基于遗传算法的特征提取是一种结合了遗传算法子空间搜索功能的低阶特 征提取算法，它不但包括了光谱特征提取功能，还结合了空间滤波和增强，可以 对其它特征进行提取。比较典型的算法如美国l o sa l a m o sn a t i o n a ll a b o r a t o r y 所 开发的g e n i e ( g e n e t i ci m a g e r ye x p l o i t a t i o n ) 交互式特征提取与分类系统m 矧。 g e n i e 采用了一个典型的遗传算法流程：每个染色体表征了一个特定的可能 解，每个给定的染色体根据其不同的特征提取效果赋予一定的适应度值。通过评 估适应度函数，并对染色体应用选择、杂交与变异等遗传操作算子，产生理论上 比上一代更可行的解。重复种群的遗传操作过程，直到找到符合条件的最优或者 次优解。 由于特征空间的复杂性，g e n i e 系统试图以有限的基本图像运算算子去拟 合无限复杂的特征空间，有时候并不一定有效。此外，以一种类似于多项式拟合 的技术也有一定的局限性，无法有效地表达特征空间中隐藏的频率信息。 2 2 纹理特征提取 2 2 1 图像的纹理特征与纹理分析 纹理( t e x t u r e ) 是图像的重要特征之一，它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。人们对纹理的研究己经有近三十 年的历史，并对此发表了大量的文献。纹理通常被认为是纹理基元按照某种 确定性的或者统计性的规律重复排列形成的一种物理现象。一个普遍的观点是， 纹理是图像局部不规则而全局又呈现某种规律的一种图像现象。显然，纹理特性 是一种区域特性，因此必须在一定的图像区域中进行描述和测量。 与其它图像特征相比，纹理特征是一种不依赖于物体表面色调或亮度、反映 图像灰度( 或色彩) 的空间排列分布模式、能够反映图像中同质现象的视觉特征。 它包含了图像表面信息及其与周围环境的关系，较好地兼顾了图像的宏观结构和 微观结构。相比地物目标的光谱特征易受外界环境影响而发生改变而言，地物的 纹理特征一般都表现得比较稳定。纹理特征既可用来描述对象物体表面的粗细程 度和其方向性，又可用以分析不同目标物体的表面灰度分布规律以进行纹理分类 1 0 第二章遥感图像特征提取技术 或纹理分割【柚j 。 以纹理为主导的图像称为纹理图像。通常由各种观测系统获得的图像大多是 纹理图像，例如航空和卫星遥感图像、水文地质图像、医学显微图像、材料的微 观图像等。很多自然景物图像也可以看成纹理图像。图像的纹理信息是光谱信息 的重要补充，对于图像的分割、图像中物体的识别和兴趣区域的提取都具有重要 的作用。因此，纹理分析技术具有重要的理论意义和广阔的应用前景，在计算机 视觉、图像处理、图像检索、目标识别等领域均有广泛的应用1 4 1 1 。 纹理分析技术主要包括两个方面的内容：纹理特征提取和纹理分割。纹理特 征提取是进行纹理分析的关键环节。然而，已有的纹理特征提取算法普遍需要较 大的计算量和存储空间，计算过程比较耗时。面对数据量较大的遥感图像，很多 纹理特征提取算法都难以满足快速实时的要求。 纹理分析的关键是提取能够有效反映图像纹理属性的数量特征。纹理特征提 取的主要目的是将纹理的空间结构差异映射为特征值的差异。纹理是通过纹理基 元及其排列规律表现出来的，是局部图像区域中不同像素之问的一种空间关系。 孤立地从一个像素不可能得到有关的纹理信息，纹理图像的直方图也很少反映出 纹理信息。因此，纹理图像中某个像素的纹理特征应该根据该像素与其周围像素 的相互关系来确定。通过特征提取，从纹理图像中计算出一些在同质纹理区域内 保持相对稳定的特征值，并以此作为特征。表示同质区域内的一致性和区域间的 差异性，通过分析纹理特征空厨，提取特征比较一致的区域，从而实现纹理特征 提取及分类。 2 2 2 常用的纹理特征提取方法 ( 1 ) 灰度共生矩阵法 灰度共生矩阵( g r a yl e v e lc o o c c u r r e n c em a t r i x ，g l c m ) 3 己称为灰度空间相 关矩阵，是一种常用的纹理特征提取方法，它是图像中两个像素灰度级联合分布 的统计形式，能较好地反映纹理灰度级相关性的规律，由h a r a l i c k 等人于1 9 7 3 年 提出。 灰度共生矩阵的定义为1 4 2 1 ：设图像某区域有l 个灰度值，则对应该区域 的灰度共生矩阵是一个阶的矩阵，在矩阵中位置( f ，j x i ，一1 ，2 ，l ) 处元素 是从灰度为i 的像素离开某个固定位置关系6 - ( o x ，d y ) 处像素灰度为，这种现 象出现的概率，6 被称为位移量，d x 和d y 称为距离。 图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隅、变化幅度的综合 信息，是分析图像局部模式结构及其排列规则的基础。有了灰度共生矩阵，我们 就可分析图像的纹理。在实际的应用中，作为纹理分析的特征量，往往不是直接 1 1 第二章遥感图像特征提取技术 应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称 为二次统计量。由灰度共生矩阵生成的统计量能很好地描述纹理方面的定量信 息。 h a r a l i c k 曾经提出1 4 种由灰度共生矩阵计算出来的统计量，下面是其中几个 最常用的特征统计量，如：角二阶矩、对比度、相关、熵、逆差矩等。 c ) 角- - 阶距( a n g u l a rs e c o n dm o m e n t ) 五- a s m 一善善p ( 2 - 6 ) 舒筒 对比度( c o n t r a s o 厶渊。荟开2 【善再聊删一j l _ ( 2 。7 ) 相关( c o r r e l a t i o n ) ，3 一彻- 石11 f 刍l 驴l 而加一以以 ， 其中： 以。著善p ( f ，j ) p y 荟e ( i ，d 吒荟。一心) 2 善即，) 巳。善( ，一以) 2 荟邓， 熵( e n t r o p y1 兀- 肿_ 一善善p ( f ，j ) l o g p ( i ，) 】 ( 2 9 ) 逆差矩( i n v e r s ed i f f e r e n c em o m e n t ) 加i d m 。善荟而希p ( i ) ( 2 。1 0 ) 这里的e ( i ，j ) 是扶度共生矩阵中位置( f ，) 处的元素的归一化值，也即是概 率。 第二章遥感图像特征提取技术 一般情况下，对位移量6 的选取通常有四个方向：o o 方向角、4 5 。方向角、 9 0 0 方向角和1 3 5 0 方向角。距离选取的有1 像素距离、2 像素距离等。 ( 2 ) l a w s 纹理能量法 根据一对像素或其邻域的灰度组合分布作纹理测量的方法，常称为二阶统计 分析方法。灰度共生矩阵是一种典型的二阶统计分析方法。但是如果只依靠单个 像素及其邻域的灰度分布或某种属性去作纹理测量，其方法就称为一阶统计分析 方法。显然一阶方法比二阶方法简单。一些实验表明，用一些一阶分析方法作纹 理分类，其正确率优于使用二阶方法。l a w s 的纹理能量测量法是典型的一阶分 析方法，也是有名的通过算子计算纹理特征的方法。它用向量k - n 4 ，6 4 1 】、 吒- 卜1 - 2 ，0 2 ，1 】、巧一【- 1 , o , 2 , o , - 1 1 、k 一【- 1 , 2 , o , - 2 , 1 、k 阻 6 ，- 4 ，1 】之间 相互卷积后得到2 5 个二维滤波模板后分别与纹理图像卷积。卷积后的图像中每 个像素值用以该像素为中心的局部窗口内的均方值( 纹理能量) 或平均绝对值代 替，从而获得纹理的度量。 ( 3 ) 空问自相关函数法 纹理常用地物表面结构的粗糙程度来描述，粗糙性是纹理的一个重要特征， 其粗糙性的程度与局部结构的空间重复周期有关。周期大的纹理粗，周期小的纹 理细。空间自相关函数是计算纹理测度的种基本方法。纹理测度变化的倾向是 小数值的纹理测度表示细纹理，大数值的纹理测度表示粗纹理。 设图像为 1 ( x ，) ，) ，o z 肘，o y ，设其自相关函数定义为 ，+ k + w 艺f ( x ，y ) f ( x 咱y 一，7 ) c ( e ，叩；，七) 一生型专i 芦一( 2 - 1 1 ) 艺，2 ( 训) 上式是对( 2 w + 1 ) x ( 2 w + 1 ) 窗口内每一像素( j , k ) 与偏离值 e , r l o ，1 ，2 ，r 的像素之间的相关值作计算。一般粗纹理区域对给定偏离 ( ，叩) 时像素的相关性要高于细纹理区。或者说，对于粗纹理图像，自相关函数 c ( e ，r l ；j , k ) 随着偏离值增大而下降的速度较慢。细纹理图像的c ( ，叩；j ，七) 随着 偏离值增大而下降的速度较快。随着偏离值的继续增加，c ( z ，r l ；，j | ) 将呈现某种 周期性的变化，其变化周期的大小可以作为描述图像纹理的重要特征。自相关函 数扩展的一种测度是二阶矩，即 r ( ，七) - 2 r 2 c ( e