纹理特征GLCMppt课件.ppt
纹理,GLCM,应用,纹理特征 及其在土地利用/覆盖变化检测中的应用,主要内容,纹理特征概述,纹理特征：纹理是影像中大量规律性很强或很弱的相似元素或者图形结构，一般理解为影像灰度在空间上的变化和重复,或影像中反复出现的局部模式(纹理单元)和它们的排列规则。遥感影像上的纹理特征实物照片的纹理,纹理特征作用,近年来，随着高分辨率遥感影像越来越多，应用越来越广泛，目前已占主流地位。高分辨率影像：信息丰富：不仅光谱特征明显，而且地物结构、纹理信息突出“同物异谱”现象加重，仅利用光谱信息进行分类精度低每一种地物具有其特有的纹理结构，所以通过纹理特征既可以充分利用高光谱遥感影像信息，又可以解决“同物异谱”现象，提高分类精度。,矛盾,常用的纹理分析方法,基于统计的纹理分析灰度共生矩阵法（GLCM）：通过研究灰度的空间相关特性来描述纹理的方法，是目前最常见、应用最广泛、效果最好的一种纹理统计分析方法。灰度游程长度法基于模型的纹理分析 纹理模型法认为一个像素与其领域像素存在着某种相互关系，这种关系既可以是线性的，也可以是服从条件概率的。常用的模型：自相关模型高斯Markov随机场模型分形模型,常用的纹理分析方法,基于结构的纹理分析 主要是利用提取纹理基元从结构上描述纹理，纹理基元在遥感影像里很难确定或者分辨。比较适用于人工纹理，在遥感影像方面的应用相对较少基于数学变换方法的纹理分析空间域滤波傅里叶滤波小波变换,灰度共生矩阵法,灰度共生矩阵(GLCM：Grey-Level Co-occurrence Matrix) 是一个统计描述影像中的一个局部区域或整个区域相邻象元或一定间距内两象元灰度呈现某种关系的矩阵。该矩阵中的元素值代表灰度级之间联合条件概率密度 ， 表示在给定空间距离d和方向 时，灰度以i为始点，出现灰度级为j的概率（也即频数）。,基准窗口,移动窗口,基本概念,共生矩阵的大小：在不对原图像灰度级别进行压缩的情况下，共生矩阵的大小为原图像灰度的级数的平方；在实际应用中，从纹理特征的计算效率以及共生矩阵的存储方面考虑，通常先把原始图像的灰度等级进行压缩，比如从灰度级别为0-255的8bit图像压缩为灰度级别为0-31的5bit图像，相应的共生矩阵的维数从256*256降低到32*32基准窗口：当前像素为中心的某一个窗口，尺寸通常为奇数方阵，大小可设为3*3,5*5,7*7等移动窗口：以基准窗口为参考窗口，通过设定的移动方向和步长进行移动的窗口。尺寸大小与基准窗口的一样，位置由移动方向与步长决定移动方向：基准窗口与移动窗口的相对方向。移动方向可以任意设定，通常为0，45，90，135移动步长：基准窗口中心像元和移动窗口中心像元的距离（用像素表示）,面向对象的GLCM,面向对象的GLCM的计算是在基于像素的GLCM计算的基础上提出的。与基于像素的GLCM计算方法类似，不同的只是在计算面向对象的GLCM时，基准窗口是对象本身，窗口的大小即对象的大小。,GLCM计算过程,以单波段为例，移动方向为90度时，窗口上下移动，dx=0,dy= 1,由于纹理特征计算利用的是概率，所以把共生矩阵中的值转换为概率值，方法是用各个元素值除以矩阵中所有元素的和（上图元素和为18），最后可以得到如下的方阵，即为灰度共生矩阵。,GLCM纹理统计量,灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信息，但它并不能直接提供区别纹理的特性，因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性。Haralick定义了14种纹理特征。常用的用于提取遥感影像中纹理信息的特征统计量主要有:均值(Mean) 、方差(Variance) 、同质性(Homogeneity)、对比度 (Contrast)、非相似性 (Dissimilarity)、熵 (Entropy )、角二阶矩( Angular Second Moment )、相关性 ( Correlation ) 等。,GLCM纹理统计量,（1）均值均值反映纹理的规则程度，纹理杂乱无章、难以描述的，值较小；规律性强、易于描述的，值较大（2）方差（3）标准差方差、标准差反映像元值与均值偏差的度量，当图像中灰度变化较大时，方差、标准差值较大。,GLCM纹理统计量,（4）同质度也叫inverse difference moment（逆差距），是图像局部灰度均匀性的度量，如果图像局部的灰度均匀，同质度取值较大。（5）对比度反映图像中局部灰度变化总量。在图像中，如局部像素对的灰度差别越大，则图像的对比度越大，图像的视觉效果越清晰。（6）非相似性度量与对比度相类似，但是是线性增加。如果局部的对比度越高，则非相似度也越高。,GLCM纹理统计量,（7）熵是图像所具有的信息量的度量，是测量灰度级分布随机性的特征参数，表征了图像中纹理的复杂程度。图像的纹理越复杂，熵值越大；反之，图像中的灰度越均匀，则熵值就越小。（8）角二阶矩也叫能量，是图像灰度分布均匀性的度量。当GLCM中元素分布较集中于主对角线附近时，说明局部区域内图像灰度分布较均匀，ASM取值相应较大；相反，如果共生矩阵的所有值均相等，则ASM值较小。（9）相关性描述GLCM中行或列元素之间的相似程度的，它反映某种灰度值沿某方向的延伸长度，若延伸的越长，则相关性越大，它是灰度线性关系的度量。,GLCM影响因子,基于GLCM的纹理分析需要综合考虑以下几个因素：图像的灰度级光谱波段不同特征值选择移动方向窗口大小和移动步长（基于像素GLCM计算中）例：计算一景TM影像，灰度级8bit（0-255），6个波段，8个特征值，4个移动方向，7种窗口大小，3种移动步长结果：256*256维的灰度共生矩阵，4032种计算结果（面向对象的是192种计算结果）,图像灰度级压缩：为了使共生矩阵的维数不至于太大（太大会降低纹理特征值的计算效率），通常先把原始图像的灰度等级进行压缩，比如从0-255的8 bit 图像压缩为0-31的 5 bit图像，相应的共生矩阵维数从256*256降低到32*32（主要针对基于像素的GLCM计算）波段选择：根据分类需要进行选择。如植被，红波段和近红外波段更有效；也可以使用主成分分析法减少波段数量。在面向对象GLCM计算时，可以将亮度值（brightness）值代替多波段计算方向选择：根据经验，或者用均方向（all direction=其相应的四个方向的纹理统计量的平均值）进行替代。纹理特征值选择：遵循“可分性、可靠性、独立性和数量少”的原则，针对特定的专题信息使用选择合适的纹理特征。,典型地类样本：耕地1耕地2水体建筑用地,不同时相影像各地类纹理差值特征曲线图,GLCM特点,灰度共生矩阵（GLCM）特点：共生矩阵是一个方阵：该方阵的大小取决于原始图像灰度的级数，与原始图像尺度大小无关共生矩阵与统计方向和距离有关矩阵元素值的分布与图像的信息丰富程度密切相关：如果灰度共生矩阵非零元素集中在主对角线上，则说明图像信息量在该方向上低，如果非零元素值在非主对角线上离散分布，说明在该方向上图像灰度变化频繁，信息量大。共生矩阵元素值的大小相对于主对角线的分布与图像的纹理粗细程度密切相关：移动步长一定，如果靠近主对角线的元素值较大，则图像的纹理比较粗糙，反之，如果离主对角线较远的元素值较大，则表明图像的纹理较细。即灰度共生矩阵元素相对于主对角线的分布情况反映图像纹理的粗细程度。,粗纹理,细纹理,GLCM稀疏矩阵处理方法,稀疏矩阵是指这样一种矩阵，在该矩阵中，非零元素的比例很小。如计算GLCM中，会遇到稀疏矩阵。产生的原因：根据灰度共生矩阵的定义，如果一幅影像的灰度级别为0-255，在没有进行图像压缩的情况下，就生产256*256的灰度共生矩阵。在面向对象GLCM计算过程中，对象的GLCM只是由对象内部像素来产生，而对象相对来说一般都较为均一，相对的灰度值范围较小，这就导致灰度共生矩阵中实际存储的非零元素所占比例很少。解决方法：只存储非零元素三元数组法十字链表法,右指针指向同一行中下一个非零元素节点；下指针指向同一列中下一个非零元素节点,稀疏矩阵,边界像元的处理方法,由于算法中的每次计算都是针对基准窗口的中心象元进行纹理特征赋值，所以算法实现过程涉及到边界元素的处理。常用边界元素的处理的方法：方法1：把所有边界元素最终的纹理特征值全部赋值为0，ENVI软件采用该种方法处理，计算效率较好；方法2：根据处理的窗口大小和步长大小，用0值或者边界值扩展源图像的边界，使源图像扩大维数，并且将添加的边界象元值也参加计算，最终使原来的边界元素也能成为中心元素进行计算，但最终处理结果仍保持原始图像尺寸，处理效率较方法1差。,影像,赋予纹理特征计算值的像元,第一步,第二步,黄色：有纹理特征值白色：无值,纹理特征辅助下的土地利用/覆盖变化检测,在土地覆盖类型中，建设用地中往往包含了建筑物屋顶、行道树以及阴影等诸多因素，导致其纹理较为复杂，而耕地和水体则地物类型较为单一，因此其纹理较为简单规则。熵值是图像信息量的度量，表征了图像中纹理的复杂程度。图像的纹理越复杂，熵值越大；反之，就越小。因此，这里利用纹理特征中的统计量熵值作为变化检测的指标之一。计算基于最佳波段组合的光谱和纹理特征值，同时采用变化向量分析法构建变化向量，形成变化差异影像。,实验数据,实验数据：昌平区2019-10-1、2019-10-16，SPOT5（2.5m）遥感影像，中间图例为典型地类样本，从上到下依次为：耕地1、耕地2、水域、建设用地,变化区域提取结果对比,仅利用光谱特征,利用光谱和纹理特征,参考文献,1 Mryka Hall-Beyer. The GLCM TutorialM.Last update: 21 February 2019 fp.ucalgary.ca/mhallbey/tutorial.htm2 陈敏捷.基于支持向量机的面向对象高分辨率遥感影像分类方法研究D. 北京：中国农业大学，20193 刘琳.用于耕地变化检测的纹理分析方法研究D.北京：中国农业大学，20194 刘龙飞，陈云浩，李京.遥感影像纹理分析方法综述与展望J. 遥感技术与应用，2019，18（6）5 高程程，惠晓威.基于灰度共生矩阵的纹理特征提取J. 计算机系统应用，2019，19（6）6 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究J.北京测绘，2019，3:19-227 Haralick, R. M., Shanmugam, K., Dinstein, I. Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics. 1973, smc 3(6): 610-621,谢 谢！,敬请批评指正！,
