遥感图像处理实验报告_灰度共生矩阵

1、遥感图像处理实验报告（2013 2014 学年第 1 学期）实验名称：实验时间：实验地点：指导教师：专业班级：姓名： 学号：一：实验目的通过实验，理解并掌握灰度共生矩阵的概念，理解灰度共生矩阵对于纹理描述的意义， 理解从纹理图像至特征值的抽象过程，理解计算机自动识别地貌的基本原理。二：实验内容灰度共生矩阵纹理描述在不同类型遥感图像中的有效性分析三：实验平台Windows XP Professional SP3ENVI4.5四：实验步骤这次实验，选用 Landsat5 咸阳地区的图像作为实验对象1:打开 ENVI4.5, File->Open Image File,打开实验图像2： Bas

2、ic Tools->Resize Data（Spatial/Spectral,打开 Resize Data In put File 对话框3:选择目标图像，在 Spectral Subset中选择第三波段（考虑到第波段地貌区分比较明 显），在 Spaial Subset 中设置图像剪裁大小，进行剪裁。分别剪裁出 50*50 的城区图像 一幅与 50*50 的农区图像一幅，保存至文件。4： Filter （滤波器）->Texture （纹理）->Co-occurrenee Measures （二阶概率统计），打开 Texture Input File 对话框5:选择剪裁出的城区

3、 /农区图像，点击 OK,弹出Co-occurrenee Texture Parameters对话 框6：在 Processing Window 中设置滤波器窗口大小，在 Co-occurrence Shift 中设置对应窗 口大小的灰度共生矩阵的距离差分值， Output Result to 选择 Memory7：在工具栏选择 Basic Tools->Statistics->Compute Statistics，弹出 Compute Statistics In put File对话框&选择第6步输出的Memory，点击OK,再点击一次 OK,弹出统计结果9：对比两个纹理

4、图像，在不同滤波窗口大小下不同距离差分下的统计结果，将各个统 计结果中的统计均值 Mean 记录在表格上,做出图表,进行讨论。7*7 窗口大小下,差分距离为2, 9*9 窗口大小下,差分距离为 3, 11*11 窗口大小下,差分距离为 4五：实验成果通过对下列附表的分析,可以观察得出以下几个结论：1：在八个特征值上, 农区最终抽象出的值, 普遍比城区要小 30%-60%左右,也就是说, 在本例中, 抛开滤波窗口大小与差分距离及方向不管, 仅凭特征值的大小, 就可以明显 区分城区与农区两种地貌纹理2：同一特征值计算方法、同一纹理、同一差分方向,不同滤波窗口上的特征值有一定 规律,普遍表现为 7*

5、7 窗口最大, 9*9 次之, 11*11 最小,但也有个别例外情况。 3：同一特征值计算方法、 同一纹理、 同一滤波窗口大小及差分距离, 不同差分方向上, 表现出的特征值基本相近,有少许差异, 说明在本例的两种纹理： 城区与农区,在各个 方向上灰度变化的统计概率是相近的,方向性纹理并不明显。4：同一特征值计算方法、同一差分距离及差分方向上,不同纹理在三个窗口下的特征 值,尽管大小有差异,但大小比值是相近的, 表现在图表上的形式就是,城区和农区在 同一方向的两张图表, 形状是相近的, 说明城区和农区两种纹理在本例中, 大的差异主 要体现在灰度值的大小上,而不是灰度值的统计规律上7*79*911

6、*11Mean22.9625420.4099317.95336Variance64.1398761.4325456.31857Homogeneity0.0996450.0740810.053516Contrast97.86309111.3509113.3646Dissimilarity6.4269796.5588696.324552Entropy2.7889082.7710952.637256Second Moment0.0178310.0101640.00642Correlation-4.7979-4.17655-3.85302TM图像城区纹理0方向120TM图像 城区纹理45方向7*79*

7、911*11Mean21.8546618.7726615.9626Variance60.2852454.9660448.33882Homogeneity0.0759230.0613140.045696Contrast135.2827134.9414118.6667Dissimilarity7.5117876.9690426.135038Entropy2.6602872.5809252.374487Second Moment0.0171140.009270.005744Correlation-4.3826-4.2124-3.48193 7*7 9*911*11TM图像 城区纹理90方向7*79*

8、911*11Mean22.6909219.9806317.45092Variance63.1413859.2080553.76784Homogeneity0.0906440.0736920.064109Contrast108.6195110.5986107.8644Dissimilarity6.8429466.5558576.117445Entropy2.7836162.7633012.635753Second Moment0.0180010.0103550.006426Correlation-4.52999-4.02622-3.73604TM图像城区纹理135方向7*79*911*11Mea

9、n21.8546618.7726615.9626Variance60.2852454.9660448.33882Homogeneity0.0775880.0608010.046467Contrast145.4087212.0964154.7231Dissimilarity7.6665877.7424996.865855Entropy2.6322712.5291862.284745Second Moment0.0186360.0109810.008611Correlation-4.62382-3.63547-3.526112502 00150100500 7*7 9*911*11TM图像农区纹理

10、0方向7*79*911*11Mean8.6828497.7723766.94484Variance37.9890936.8587534.31439Homogeneity0.1570610.1427690.110681Contrast70.2957274.9551273.27943Dissimilarity4.8633794.6838134.417365Entropy2.3484182.3017312.174275Second Moment0.039740.0262810.018025Correlation-0.65831-0.53376-0.42744TM图像 农区纹理45方向7*79*911

11、*11Mean8.0951836.9754636.017167Variance33.1488629.5095225.99174Homogeneity0.1547090.1220710.099167Contrast55.0867854.3743248.65981Dissimilarity4.2761794.0383953.601326Entropy2.2485532.1385451.940229Second Moment0.0375290.0237780.016259Correlation-0.6353-0.48749-0.35543TM图像 农区纹理90方向7*79*911*11Mean8.5

12、14537.5049646.611187Variance34.6854131.9081928.9085Homogeneity0.2093510.1525820.127784Contrast52.4722957.630155.74405Dissimilarity3.938844.0131463.756512Entropy2.3397332.2918952.163056Second Moment0.0408450.0262550.018091Correlation-0.65433-0.50576-0.42157TM图像农区纹理135方向7*79*911*11Mean8.0951836.975463

13、6.017167Variance33.1488629.5095225.99174Homogeneity0.1459840.1172120.09308Contrast81.31607157.890463.57779Dissimilarity5.0481385.0750034.014671Entropy2.2224282.1140521.848338Second Moment0.0408360.0267270.024343Correlation-0.67578-0.50703-0.35776六：实验心得 1：特征值是计算机用来识别地貌的工具，计算机无法直接比较两大块像素矩阵，自动 地貌地物的识别的

14、关键在于特征值的提取。 2：灰度共生矩阵是图像像素对的灰度值对的统计表达，是纹理的一种统计表达，是对 纹理的一种抽象 3：从纹理图像到特征值需要一个抽象过程，将大量数据最终抽象为一个值，必然要丢 失 99%的信息，如何使留下的那 1%的信息，是纹理图像的关键信息，就是抽象过程的 难点，为了尽可能的保留规律信息，就有了下面的抽象过程1）：将纹理图像分离为 N 个滤波窗口，将这 N 个滤波窗口的灰度信息抽象为 N 个 灰度共生矩阵2）：将每个灰度共生矩阵，通过某种运算，抽象为一个值3）：将这 N 个值，再通过一种运算，抽象为最终的一个值 在本实验中， 我们选用了 Mean/Variance/Homogeneity 等方法作为抽象过程 2）的函数， 选用 Mean 作为抽象过程 3）的函数，最