模式识别应用举例.ppt

《模式识别应用举例.ppt》由会员分享，可在线阅读，更多相关《模式识别应用举例.ppt（41页珍藏版）》请在三一办公上搜索。

1、,主要介绍随机纹理图像中用于分类的特征提取。,随机特征的统计度量：,(一)、一阶统计量的特征提取以直方图为基础,N(i)：第i个灰度级的象素总数，M：整幅图的像素总和 P(i)：灰度i出现的概率，即一阶直方图灰度,图像灰度值的一阶概率分布,一阶统计量是最基本灰值特性度量，可提供许多信息，例如：若显现较窄的峰时，说明图像灰值反差小，当出现双峰时，说明图中有两个不同亮度的区域,若取p(i)作为直方图特征，当图像灰度量化太大时，可能太多（例如256时，就有256个特征），没有必要。若采用某些统计量作为特征，不仅数目少，且描述更明确。这些统计量都是以直方图统计分布为基础。,1灰度分布关于原点的r阶矩,

2、显然，r1，即M1为灰度均值，反映图像不同物体的平均反射强度,2灰度分布的r阶中心矩,显然r2，即二阶中心矩就是灰度分布的方差2，是对灰度值分离散性的度量，2小，对比度差。,3偏度（扭曲度）,S是对灰度值分布偏离对称情况的一种度量。对称性越好，S越小,4峰度,K描述灰度分布是否聚集在均值附近的倾向,5能量,若灰度是等概率分布的，则具有最小的能量。若呈现较窄的峰，说明灰度反差小(灰度均匀)，其值较大。,6熵（Enteony）,若灰度是等概率分布，则具有最大熵。,这些一阶统计量不能反映像素间的空间联系，不满足纹理特征量的要求（只说明了灰度大小）。,（二）二阶统计量,针对纹理特征提取，如遥感图像中物

3、体与地貌的区别，往往不在于灰度大小而是它们的纹理差别。,纹理特征可分为空域和频域,空域有：方向差分及其统计量、灰度共生矩阵及其 统计量、灰度游程矩阵及其统计量等。,频域有：功率谱度量特征,1方向差分,性质：(1)表示该区域纹理的稠密程度。当r较小时，若D(r,)较大，则纹理稠密(灰度均值变化大)，若D(r,)较小，则纹理稀疏(灰度均值变化小),图像中非重迭的两个邻域灰度均值的方向差分。若用Ar(x,y)表示以像素(x,y)为中心，半径为r的区域内的灰度均值，则方向上的两邻域的方向差分定义为：,（2）若纹理有方向性，则某些方向的D(r,)会高于 其它方向的值。D(r,)确实能描述纹理特征量,2方

4、向差分常用的统计量,若用PD(i)表示D(r,)为第i个方向差分值的概率（D(r,)相当于梯度）,统计量有：(i)反差（或称对原点的惯性矩）（对比度）,(ii)角二阶矩（或称能量）,(iii)熵,(iv)均值,（三）共生矩阵及其统计量,共生矩阵表示图像位置相距为(x,y)的两个灰度像素点（灰度对）同时出现的联合频率（次数）分布，即基于纹理中某一灰度级结构重复出现的情况。,公认的一种重要的纹理分析方法,对于灰度等级数为n的图像，则共生矩阵M(x,y)为一个nn矩阵，其元素pij表示相距(x,y)，且灰度分别为i级和j级的象素点对出现的次数，是距离和方向的函数。,共生矩阵的产生：,该矩阵的数值分布

5、情况，可反映图像的纹理特征。,为了减小计算量，通常灰度级要减少至一个合理的数值，例：256级减至8级，16级减至4级等。,如何计算共生矩阵：举例：距离为1的共生矩阵的计算,例：4级灰度的图像,灰度层为4，共生矩阵为44,先规定距离d和方向：表示数目,的共生矩阵为：,x值表示列的变化，y值表示行的变化，则,的共生矩阵为：,也可统计d=2、d=3的共生矩阵。,显然，灰度共生矩阵对角线上的元素是检测区域里位置相距（x,y）并具有相同灰度级的象素点对出现的次数，非对角线上，则是不同灰度象素对出现的次数，离对角线越远，象素灰度差别越大。,对于粗纹理，当 值较小时，对角线附近值较大（灰度值相同）；对于细纹

6、理，远离对角线值较大。,如果纹理有方向性，矩阵中较大数值偏离对角线的程度与(x,y)有关，即与d,的取值有关共生矩阵是对区域纹理性质的描述。,共生矩阵可表征具有方向性的纹理，其反映了图像灰度关于方向、相邻间隔、幅度变化的综合信息。,例：对于云类的自动识别卫星云图提供图像信息，可计算不同的共生矩阵。,常用统计量,(1)反差（对比度，也称主对角线的惯性矩）,从共生矩阵出发，可进一步提取纹理的一系列特征,灰度分布均匀性的度量。分布越不均匀，con越大。,粗纹理：pij值集中于主对角线附近，（ij）值较小，con较小。细纹理：con较大，分布越不均匀,(2)能量（角二阶矩）,图像灰度分布均匀性或平滑性

7、的度量，图像越均匀，其值越大。,当矩阵中元素的数值集中于对角线附近时，说明灰度分布较均匀，即呈现粗纹理，ASM值较大，反之，较小。,(3)相关,其中,表征元素在行、列方向上的相似程度,(4)熵,当pij值相等或pij值相差不大时，熵值较大（即灰度分布不均匀，各种灰值都有）；当pij值之间差别很大时，熵值小。例：有陆地、人造目标等场景，pij值分布均匀（灰度分布不均匀），熵值大。熵值也是反映纹理特性的度量。,对图像内容随机性的度量,其它统计量,方差、逆差矩、和平均、和方差、和熵、差平均、差方差、差熵等,如何选择d和，以及如何用共生矩阵的参数作纹理分析，一直是研究的课题，通常小的d值，可提供较好的

8、结果。,举例：,一幅SAR图像（512512）,原图的直方图,原始图像,量化成16级（由最大值开始），计算0，45，90，135灰度共生矩阵(d=2),并相加,利用C均值聚类法(即K 均值聚类法)，利用各纹理特征量进行分类处理（C=3），分别得到8幅处理结果,计算各种纹理特征统计量，如：差方差、差平均、对比度、方差、逆差矩、熵、相关、和方差。,图中：1差方差，2差平均，3对比度，4方差，5逆差矩，6熵，7相关，8和方差,再进行分割，三种等级（分三类）。再画直方图。计算归一化类内均值及类间距离。,(a1),(a2),差方差,差平均,(b1),(b2),(c1)(c2),分割后的结果,(a3)(a

9、4),对比度,方差,(c3)(c4),(b3)(b4),分割后的结果,对比度,方差,a(5)a(6),c(5)c(6),b(5)b(6),分割后的结果,a(7)a(8),相关,和方差,b(7)b(8),c(7)c(8),分割后的结果,对各特征量的纹理图像进行K均值聚类后，计算归一化类内均值及类间距离。,DV DA Con Var IDM Ent Cor SV,陆地 0.1700 0.5531 0.4768 0.6554 0.5862 0.8821 0.2857 0.1646河流 0.4187 0.7223 0.6751 0.7890 0.7428 0.6802 0.2262 0.4144人造

10、0.0516 0.3496 0.2725 0.4618 0.3947 0.8361 0.4881 0.0482目标,其中：Difference Variance差方差，Difference Average-差平均,Contract-对比度，Variance-方差，Inverse Difference Moment-逆差矩 Entropy-熵，Corrletation-相关，Sum Variance和方差,表1 归一化类内均值,表2 归一化类间距离,DV DA Con Var IDM Ent Cor SV,陆地河流 0.1634 0.1692 0.1983 0.1336 0.1566 0.201

11、9 0.0595.2498河流人造 0.0264 0.3737 0.4026 0.3272 0.3481 0.1559 0.2619 0.3662目标陆地人造 0.1898 0.2035 0.2043 0.1936 0.1915 0.0460 0.2024 0.1164目标,从纹理特征看出，原始SAR中，河流灰度分布均匀，不确定性小，熵值小、暗区；而陆地、人造目标，不均匀，熵值大,亮区。,陆地与人造目标灰度均匀度差别不大，类间距为所有特征中最小，从分割及直方图都反应无法区分这两类目标。,从相关图上看，河流与陆地相关程度区别不大，相关图上几乎无法区别这两类目标。,从对比度看，河流和陆地为细纹理，对比度比人造目标大。,从类间距表中看：对陆、河分类，用和方差与熵的分类效果最好；对河及人造目标分类，CON（对比度）、和方差及差平均分类效果最好；对陆、人造目标：CON、Cor（相关）、差平均分类最好。,类内方差，也是衡量聚类效果的一个指标。,对于陆地：熵、方差的聚类效果最好对于河流：方差、相关的聚类效果最好对于人造目标：熵、相关的聚类效果最好,