周孝东——基于光谱的遥感图像特征提取方法研究
图书分类号：
密级：
毕业论文
基于光谱的遥感图像特征提取方法研究FEATURE EXTRACTION FOR REMOTE SENSING IMAGE BASED ON SPECTRAL
学生姓名周孝东
学院名称数学与物理科学学院
专业名称信息与计算科学
指导教师于燕燕、张克军
2009年5月12日
徐州工程学院学位论文原创性声明
本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用或参考的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。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标注。
本人完全意识到本声明的法律结果由本人承担。
论文作者签名：日期：年月日
徐州工程学院学位论文版权协议书
本人完全了解徐州工程学院关于收集、保存、使用学位论文的规定，即：本校学生在学习期间所完成的学位论文的知识产权归徐州工程学院所拥有。徐州工程学院有权保留并向国家有关部门或机构送交学位论文的纸本复印件和电子文档拷贝，允许论文被查阅和借阅。徐州工程学院可以公布学位论文的全部或部分内容，可以将本学位论文的全部或部分内容提交至各类数据库进行发布和检索，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。
论文作者签名：导师签名：
日期：年月日日期：年月日
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光谱特征特征提取方法。
本文首先介绍了遥感以及遥感技术发展的现状、图像的特征提取及研究现状，然后总结了遥感图像特征提取方法的基本理论和算法，介绍了目前常用的光谱特征提取方法。在此基础上，针对传统的PCA和KPCA方法提取遥感图像光谱特征的缺陷以及遥感数据的特点，本文讨论了一种将模糊c-均值聚类与KPCA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PCA和KPCA方法的试验结果进行比较，证实了这种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。
关键词遥感图像；光谱特征；特征提取；KPCA；FCM
Abstract
Remote sensing image has great importance for military reconnaissance, precision attack and civil activities. Feature extraction is critical for the automatic recognition technology of remote sensing image, so it has good application prospect to study feature extraction methods of remote sensing image. This thesis focuses the research work mainly on the feature extraction methods of spectrum.
First, the thesis introduces the concept and development of remote sensing image, the basic concept and research of image feature extraction. Then the thesis introduces the basic theory and algorithms of remote sensing image feature extraction methods. The commonly used remote sensing image feature extraction methods for spectrum are generalized separately. Considering the character of the remote sensing image data and the limitation of traditional PCA and KPCA methods when they are used to extract the spectrum feature of remote sensing image, a combination of the FCM and KPCA methods is used for extracting the spectrum feature. Both the theory and algorithm are studied, as well as the implementation. A comparison between the results of PCA, KPCA and FCM+KPCA methods is given, which shows that the FCM+KPCA method can give a much better result than other methods, especially in extracting the nonlinear information of multi spectral remote sensing images.
Keywords Remote sensing image Spectrum feature Feature extraction KPCA FCM
目录
1 绪论 (1)
1.1 遥感及遥感技术研究的背景 (1)
1.2 遥感图像特征提取方法研究的现状 (2)
1.3 本文的研究工作 (3)
2 遥感图像光谱特征提取技术 (4)
2.1 光谱特征提取技术研究的现状 (4)
2.2 常用的光谱特征提取方法 (5)
2.2.1 主成分分析方法（PCA） (5)
2.2.2 K-T变换 (9)
2.2.3 典型分析方法 (11)
2.2.4 基于遗传算法的特征提取 (13)
3 基于FCM和KPCA的多光谱图像特征提取 (14)
3.1 模糊c-均值聚类 (14)
3.1.1 模糊c-均值聚类数学基础 (14)
3.1.2 模糊c-均值聚类 (16)
3.2 核主成分分析（KPCA）方法 (18)
3.2.1 核函数方法概述 (18)
3.2.2 Mercer核函数 (19)
3.2.3 核主成分分析方法 (19)
3.3 基于FCM和KPCA的多光谱图像特征提取方法 (21)
3.3.1 方法概述 (21)
3.3.2 试验结果与分析 (22)
3.3.3 结论 (24)
4 总结 (25)
致谢 (26)
参考文献 (27)
1 绪论
1.1 遥感及遥感技术研究的背景
遥感（Remote Sensing），就字面含义可以解释为遥远的感知[1]。它是一种远离目标，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。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[2]。
遥感是20世纪60年代兴起并迅速发展起来的一门综合性探测技术。它是在航空摄影测量的基础上，随着空间技术、电子计算机技术等当代科技的迅速发展，以及地学、生物学等学科发展的需要，发展形成的一门新兴技术学科。其理论基础在于，由于研究目标的种类及所处环境不同，从而对不同波长的电磁波信号具有不同的反射或辐射效应。而遥感技术正是利用这种特性，通过研究探测目标的电磁波信息，从而分析出目标的物理属性和几何信息。遥感技术作为一种信息时代的产物和工具,具有探测范围广、获取信息快、周期性动态观测、信息量丰富、获取效率高等显著优势，因此可以说遥感技术是当前人类获取时空信息的最有效的技术和手段之一。
目前遥感应用正由定性向定量、静态向动态方向发展。遥感影像地空间分辨率己达到米级；波段数已增加到数十甚至数百个；回归周期可达几天甚至十几小时。与遥感应用紧密相关的遥感信息处理理论和技术也有了实质性的进展。在遥感数据处理软件方面，国际上相继推出了一批高水平的遥感影像处理商业软件包，如加拿大ERM公司研制的ER MAPPER、美国ERDAS公司推出的ERDAS IMAGINE、新加坡3-Link公司研制的ENVI等遥感图像处理系统。所有这些都为谣威的应用奠定了坚实的基础。
我国在航空、航天遥感领域也有了重要的发展[3]。利用航空遥感技术测制地形图己形成了完备的教学、科研和生产体系此外中国还发展了两套重要的机载航空遥感系统，即高空机载遥感系统和洪水监测遥感系统。70年代以来，我国先后发射了一系列返回式遥感卫星，研制了包括成像光谱仪和多级合成孔径雷达在内的多种传感器。近年来，制定和实施了以气象卫星和资源卫星为代表的传输和对地观测计划以及雷达卫星计划。代表性的有“风云一号”气象卫星和“资源一号”卫星(中国和巴西间的国际合作计划)。进一步将在资源一号卫星的基础上发
展以星载合成孔径雷达为主要载荷的雷达卫星，这种卫星既具有全球观测能力，又具有对中国七大江河主要洪涝灾区经常性的监测能力。
1.2 遥感图像特征提取方法研究的现状
为了便于分析，往往需要对给定的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信息，称之为图像的特征。图像特征是图像内部所具有的最基本的内容，是该图像独特拥有的、用于区别于其它图像的最本质的属性。图像特征是由于景物的物理与几何特性使图像中局部区域的灰度产生明显变化而形成的。因而特征的存在意味着在该局部区域中有较大的信息量，而在图像中没有特征的区域，应当只有较小的信息量。
图像特征是图像分析的重要依据[4]，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1-1所示，可以获得特征构成的图像（称为特征图像）和特征参数。
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。
在遥感图像分析中特征提取可以从两个意义上来实施:一种是按照一定的准则直接从原始空间中选出一个子集(即子空间)，波段选择就属于此类；另一类是在原始特征空间和新特征空间之间找到某种映射关系φ,:X Y φ→，将原始特征空间12{,,,}n X X X X = 。映射到维数降低了的特征空间Y 中去，12{,,,}m Y Y Y Y = ，n m <。对于用于分类目的的特征提取，好的特征提取方法能使同类物质样本的分布具有密集性，而不同类物质的样本在特征空间中能够隔离分布，为进一步分类打下良好基础。
总之，图像特征提取需要经验的指导，需要具体问题具体分析，不同的情况???????
或者
增强处理 特征提取 特征提取图像 特征量 （特征参数） 特征空间
把提取的特征 进一步抽象化 描述 分类 模式识别 图像理解 图1-1 图像的特征提取
采用不同的特征提取方法。
遥感信息特征提取方法手段各异。在二十世纪七十年代至八十年代，软件技术尚不成熟，遥感信息特征提取主要是依靠遥感工作者目视解译来完成。这种方法以前尽管常被使用，但其耗时多、周期长的缺陷影响了遥感技术作用的发挥。随着计算机的普及和软件水平的提高，从事遥感研究的学者们开始利用新的技术手段来提取遥感信息。
由于图像特征提取具有很强的实用性，国内外测绘界、计算机视觉、模式识别与人工智能等领域都对图像特征(特别是线状特征)提取进行了深入研究。国外例如美国Mckeown实验室、瑞士的Amobe项目、德国的波恩大学、奥地利的格拉茨大学和法国地理学院等，国内的武汉大学、国防科技大学、信息工程大学等在这方面都作了很多工作，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，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 本文的研究工作
本文对基于光谱的遥感图像特征提取问题进行了研究，共分四章，各章节的主要内容如下：
第一章主要介绍了遥感的概念、发展现状，以及遥感图像特征的分类、特征提取的研究意义和研究现状。
第二章介绍了遥感图像常用的光谱特征提取方法。其中有：主成分分析方法，KT变换，典型分析方法以及基于遗传算法的特征提取。
第三章给出了一种多光谱图像特征提取方法——基于FCM和KPCA多光谱图像特征提取方法。首先介绍了FCM、PCA方法以及KPCA方法具有运算量大、耗时长的缺陷，针对该缺陷及遥感数据的特点，对KPCA方法的输入数据方法进行改进，使其能够大大的降低计算的复杂度。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特征。
第四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。
2 遥感图像光谱特征提取技术
遥感图像中存储着极为丰富的信息，图像特征结构复杂，既包括地形、植被、水文这样的自然特征，又包括房屋和道路这样的人上地物。此外，这些特征之间的关系也是相当复杂的，无论是几何关系还是语义（Semantic）关系，都不是用简单的方法所能描述的。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。光谱特征和纹理特征是遥感图像的两大基本特征，也是进行遥感图像分析所依据的两个基本要素。人们在研究中利用的基本上只是地物光谱信息，光谱信息反映了地物反射电磁波能量的大小，是地物特征性状较直观的反映。
2.1 光谱特征提取技术研究的现状
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。光谱特征通过原始波段的点运算获得。它的特点是，它对应于每个像元，但与像元的排列等空间结构无关[5]。
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，是遥感的基本出发点，是遥感图像数据中最为重要的信息。遥感图像光谱特征分析包括遥感传感器的光谱分辨率和辐射分辨率。光谱分辨率(波谱分辨率)是指遥感传感器所用的波段数目、波段波长以及波段宽度。辐射分辨率(亮度分辨率)是指在一个波段中所记录的代表地物反射电磁波的强度(表现为亮度或灰度)的所有可能的数值。一般地，高的光谱和辐射分辨率能有效地提高遥感识别地物的能力。
为了获得目标体的信息，常常要对遥感图像进行干扰信息的压抑和排除，突出有用信息，这时就需要用到图像特征提取的方法。经典的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采用如下三种变换。
(1)代数运算法
对原始波段进行加，减，乘，除，乘方，指数，对数等运算，其中最常见的为比值法，其目的是为了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（RI）、归一化植被指数（NDVI）、垂直植被指数、土壤可调查植被指数（SAVI）、抗大气植被指数和增强植被指数等就是通过对原始通道反射率进行代数运算得到的。
还有其他的一些指数也是通过对原始的波段数据进行代数运算得到的。
(2)导数法
主要用在高光谱图象处理中，能够提取出不同的光谱参数，如吸收峰位置，
植被的红边位置等，导数光谱还能够消除大气效应。有关研究表明，导数法对光谱信号中的噪声非常敏感，在低阶导数中的表现要优于高阶导数，因而在实际应用中比较有效。
(3)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X
Y?
=，主要目的是为了达到某种最优结果，如主成分分析就是为了
B
使信息达到最大程度的保留。常用的方法有缨帽变换（Tasselled Cap Transform）、主成分分析（PCA）、最小最大自相关因子法（Min/max Autocorrelation Factor，MAF）、最大噪声分量变换（Maxinium Noise Fraction，MNF）、典型分析法（Canonical Analysis，CA）等。Neilsen对采用正交变换技术用于特征提取进行了详细的讨论。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。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了，从而对不同频率（或不同尺度、不同分辨率）的信号得到分离，这种变换可以称之为时-频变换法。还有一种只适用于三波段图像的变换，用来将以RGB三色表示的合成图像转换为HIS形式的合成图像，从而可以对其中部分信息得到增强，这种方法可以称为色度变换法，如RGB-IHS,HIS-RGB变换。
2.2 常用的光谱特征提取方法
光谱遥感技术已经成为人们获取地球表面信息的一种主要的手段之一，发挥着越来越广泛的社会效益。随着光谱遥感技术朝着“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)迅猛发展，人们将获取越来越庞大的光谱遥感数据[1]。然而目前遥感信息的提取和利用水平大大滞后于遥感技术的发展，因此研究新的理论和方法提高遥感信息的提取水平具有十分重要的意义。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。
2.2.1 主成分分析方法（PCA）
2.2.1.1 原理
主成分分析[6]（Principal component analysis）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，它也是遥感数字图像处理中最常用的一种变换算法。
主成分分析是一种把原来多个指标化为少数几个相互独立的综合指标的一种分析技术，对波段间高度相关的数据非常有用。一幅多波段图像的不同波段之间往往存在着很高的相关性，这就说明有相当一部分数据是冗余的。主成分变换的目的就是把原来各波段中的有用信息集中到数目尽可能少的新的主成分图像中，并使这些主成分图像之间互不相关，即各自包含不同的地物信息，同时使得原始图像的信息量损失最小。
主成分分析的原理如图2-1所示。
因本特征向量的方向指向特征空间中集群分布的结构轴方向(图2-1中的p 和q )，所以该变换的几何意义是把原始特征空间的特征轴i x 旋转到平行于混合集群结构轴的方向上去，得到新的特征轴i y 。从图中可见，1y 特征对应的∑x 的本特征值为1λ，而2y 对应2λ。当2λ﹤﹤1λ时，2y 特征便可舍去，只用1y 来表示原始集群的有效信息就足够了。
2.2.1.2 主成分分析方法的步骤
设原始图像数据矩阵为[7]：
111212122212[]n n ik m n m m mn x x x x x x X x x x x ???????==??????
( 2.1) 其中，m 和n 分别为波段数（或称变量数）和每幅图像中的像元数；矩阵中每一行矢量表示一个波段的图像。
一般图像的线性变换可用下式表示： Y TX =
式中X 为待变换图像数据矩阵，Y 为变换后的数据矩阵，T 为实现这一线性变换的变换矩阵。
主成分分析的具体步骤如下：
第一步，根据原始图像数据矩阵X ，求出它的协方差矩阵S ，X 的协方差图2-1 主成分变换原理
1x 1y 2x 2y A B p q 1λ 2λ
矩为： 1[][][]T ij m m S X Xl X Xl S n
?=--= (2.2) 式中：1[1,1,,1]n l ?= (2.3)
12[,,,]T m X x x x = (2.4) 1
1n
i ik k x x n ==∑（即为第i 个波段的均值） (2.5) 1
1()()n
i j ij ik jk k S x x x x n ==--∑ (2.6) S 是一个实对称矩阵。
第二步，求S 矩阵的特征值λ和特征向量，并组成变换矩阵T ，具体如下。考虑特征方程：()0I S U λ-=
式中，I 为单位矩阵，U 为特征向量。
解上述的特征方程即可求出协方差矩阵S 的各个特征值(1,2,,)j j m λ= ，将其按12m λλλ≥≥≥ 排列，求得各特征值对应的单位特征向量（经归一化）
j U ： 12[,,,]T j j j mj U u u u =
若以各特征向量为列构成矩阵，即： 12[,,,][]m ij m m U U U U u ?==
U 矩阵满足：T T U U UU I ==（单位矩阵），则U 矩阵是正交矩阵。
U 矩阵的转置矩阵即为所求的主成分分析的变换矩阵T 。有了变换矩阵T ，将其代入Y TX =，则：
112111222212m m T m m mm u u u u u u Y X U X u u u ??????==??????
(2.7) 式中Y 矩阵的行向量12[,,,]j j j jn Y y y y = 为第j 主成分。
经过主成分变换后，得到一组（m 个）新的变量（即Y 的各个行向量），它们依次被称为第一主成分、第二主成分、…第m 主成分。这时若将Y 矩阵的各行恢复为二维图像时，即可以得到m 个主成分图像。
2.2.1.3 实例分析
试验数据是华盛顿特区的6个波段的卫星图像，大小均为256×256，对应的6个谱段为可见蓝光（450nm ～520nm ）、可见绿光（520nm ～600nm ）、可见红光（630nm ～690nm ）、近红外线（760nm ～900nm ）、中红外线（1550nm ～1750nm ）、热红外线（10400nm ～12500nm ），6幅原始多光谱图像如图2-2所示，其中，(a)
是可见蓝色波段图像，(b)是可见绿色波段图像，(c)是可见红色波段图像，(d)是近红外光图像，(e)是中红外光图像，(f)是热红外波段图像。使用标准PCA 方法分析多光谱图像，提取的6幅主成分图像如图2-3
所示。
此例中主成分变换的特征值见表2-1，由表中可以看出，前三个主成分的累积贡献率已达到97.94％，占总信息量的绝大部分。
图2-2 6幅原始多光谱图像 图2-3 用PCA 方法提取的主成分图像
表2-1 主成分变换的特征值
主成分特征值 贡献率/% 累积贡献率/%
第一10843 63.57 63.57
第二4193.6 24.58 88.15
第三1669.5 9.79 97.94
第四199.7 1.17 99.11
第五116.27 0.68 99.79
第六35.646 0.21 100
另外，从图2-3也可以看出，前3幅主成分图像几乎包含了原来各波段图像的绝大部分信息，且对比度细节的主要部分包含于前3幅图像中，而这3幅图像之后的几幅图像的对比度迅速下降。所以PCA方法能把多光谱图像的有用信息集中到较少数目的新的主成分图像中，去除原始数据中一部分冗余数据。
对比图2-2、图2-3，从中可以看出，原来各波段图像中的一些信息仍然没有被提取出来，特别是一些非线性特征。当处理非线性问题时，PCA方法往往不能取得好的效果。
2.2.2 K-T变换
K-T变换即缨帽变换，是一种基于启发式考虑建立起来的，并不是建立在严格的理论推导基础上的。此项技术最早应用于1976年，Kauth 和Thomas通过对MSS图像进行数值分析来研究农作物和植被生长过程的影像变化时，发现MSS图像波谱信息随时间变化的空间分布有一定规律性，它的形状像一个顶部有缨子的毡帽，缨帽的底面恰好反映了土壤信息的特征，称之为土壤面，它与植被的波谱特征互不相关。这种分析信息结构的正交线性变换就被称为缨帽变换。它是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。通过缨帽变换就可以成功地建立起光谱综合信息与自然景物特征间的联系，可以达到消除干扰分离信息的目的。Crist和Cicona将此种变换方法应用于陆地卫星TM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。
图2-4 K-T 变换示意图 K-T 变换基于如下的统计事实 ：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（664,,B B B 和7B ）中的亮度值（654,,X X X 和7X ）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2-4所示。其中，各种土壤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SB I 散布。特征点的分布是沿着垂直于帽底面的轴线GV I 方向变化的。另设两个正交轴N Y I I ,定为帽形集群的结构轴。
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土壤波谱特征；随着幼苗的长大，其波谱特征逐渐向绿色植被区方向逼近；达到顶点后，作物成熟，变黄，枯萎，收割，其波谱特征又向土壤面回落。为了增强和提取上述变换信息，Kauth 和Thomas 在总结MSS 图像数据特征的基础上，提出了一种适用于MSS 图像数据特征的基础上，提出了一种适用于MSS 图像数据的经验线性变换，使其波谱特征空间变换到几个有物理意义的方向上，即：
r X R Y T += （2.8） 式中：X 为MSS 图像4个波段数据组成的矩阵，每一行为一个波段像元组成的向量；Y 为缨帽变换后的数据矩阵；R 为缨帽变换的正交变换矩阵，],,,[4321R R R R R =；r 为补偿向量，意在避免Y 有负值出现。
4321,,,R R R R 是相互正交的单位列向量，
Kauth 和Thomas 根据MSS 图像实例得出的各个单位列向量为：
????????????=264.0586.0632.0433.01R ????????????--=491.0600.0562.0290.02R ????????????--=194.0039.0522.0829.03R ?????
???????-=810.0543.0012.0223.04R X 7 X 6
X 4
X 5 I SB I GV I Y I N 0
变换后对应于1R 的特征值成为亮度，它在数值上是MSS4个波段的加权和，反映了地物总的辐射水平；对应于2R 的特征值称为绿度，它等于MSS6与MSS7的加权和再减去MSS4与MSS5的加权和，反映了植被的生长状况。随后Crist 和Cicone 根据三个地区TM 图像（不包括热红外波段）的研究，给出TM 图像的缨帽变换系数。
K-T 变换对于处理Landsat/MSS 和TM 数据，尤其是提取的植被信息，由于利用了所有波段的线性组合，提取的植被信息量比只利用两个波段的植被指数NDVI 要高。
缨帽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。
2.2.3 典型分析方法
典型分析（Canonical Analysis ，简称CA ）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间方差与类内方差的比值，从而保证了其最大的可分离性。
在遥感图像分类过程中，总是希望既能减少各类的类内灰度方差，又能够增大类间的灰度方差，以减少分类困难，提高分类精度。为此需要选择恰当的投影方向，使同类的像元尽可能集中，不同类的像元尽可能的分开，这样处理后再进行分类，肯定将有利于分类精度的提高，这就是典型分析变换的出发点与基本思想。
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 TX =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T 。下面介绍获得变换矩阵T 的具体步骤。
①选择训练样本
在待研究的图像中，按照不同的地物类型选取训练场地及训练样本，这和一般监督分类方法所采用的训练程序相似，但选择的地物类别不一定包括所有的类别。设有P 个变量（波段），选取G 个类别，第g 类选取i n 个标本，igk x 为在g 类训练样本中的第k 个像元第i 个变量的观测值。
②计算类内及类间的协方差矩阵W 和A
根据所选定的训练样本，先计算总的均值向量X 和各类的均值向量g X 以及协方差矩阵g S ，即：
T p x x x X ],,,[21 = (2.9) T pg g g g x x x X ],,,[21 = (2.10)
p p g ij s S ?=][ ),,2,1,(p j i = (2.11)
式中：∑∑===G g n k igk i g
N x x 11
/)(； (2.12)
∑==G
G g n N 1； (2.13)
g n k igk ig n x x g
/)(1∑==； (2.14) )1/()()(1-???? ??--=∑=g jg jgk n k ig igk g ij
n x x x x s g (2.15) 再用下式计算总的类内协方差矩阵W 和类间协方差矩阵A :
)/()1(1G N S n W G g g g -???
? ??-=∑=； (2.16) p p ij a A ?=][ (2.17) 其中，))((1j jg G
g i ig ij x x x x a --=∑=。
(2.18) ③构成特征向量矩阵
求出W 的特征值p w w w ,,,21 ，并按大小顺序排列，然后求出与各特征值相对应的归一化特征向量p e e e ,,,21 ，特征向量满足：
p i e e i T i ,,2,1,1 == (2.19)
构成特征向量矩阵E :
],,,[21p e e e E = (2.20)
④计算变换矩阵T 第一步，计算p i w i ,,2,1, =并构成矩阵
??????
????????=p w w w D 000000000212/1 (2.21) 第二步，计算2/1ED Q =，1-Q 及T Q A Q V )(11--=
第三步，求V 的特征值p λλλ,,,21 及与之相应的特征向量p f f f ,,,21 ，并构成矩阵T p f f f F ],,,[21 =
第四步，算出变换矩阵T:
1-
T (2.22)
=FQ
⑤最后用矩阵T进行CA变换
TX
Y= (2.23) CA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应的第一典型轴包含了最大的可分信息，与次大特征相对应的第二坐标轴包含了第二大可分信息，依此类推。因为对应有P个波段、G类地物的遥感数据，CA 变换最多能得到维非零子空间（即1
G个特征轴具有可分离
P），只有1
-
-
>G
信息，这就是说CA变换在增大类别可分性的同时也降低了数据空间的维数。2.2.4 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，它不但包括了光谱维特征提取功能，还结合了空间滤波和增强，可以进行空间维特征提取。比较典型的算法如美国Los Alamos National Laboratory所开发的GENIE(GENetic Imagery Exploitation)交互式特征提取与分类系统[9]。
GENIE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。
种群中的个体染色体由固定长度的基因字符串组成，而染色体本身的长度是可变的。每个基因表示了一个基本的图像处理算子。这样，整个染色体就描述了由一系列基本的图像处理算子按顺序组成的算法。每个基因又由算子名称、输入特征组、输出特征组以及一些可选参数组成。算子名称表征了所采用的基本的图像处理算子；输入特征组给出了算子作用于样本的哪几个特征上；输出特征组给出了进行基本算子操作后产生的新的特征名称；可选参数给出了运行该指定的基本图像处理算子时，需要额外指定的参数。GENIE系统中，预先定义了57种基本的图像处理算子，涵盖了光谱、空间、光谱－空间、逻辑、闭值等不同类型的操作。也可以很容易地对算子库进行扩充。
由于特征空间的复杂性，GENIE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。
3 基于FCM 和KPCA 的多光谱图像特征提取
分类是多光谱图像解译以及其它方面应用中的重要步骤，而特征提取则是保证图像分类精度的关键。主成分分析（PCA ）是最为常用的特征提取方法，被广泛应用到许多领域。在一些文献中，PCA 方法被用于提取多光谱图像的特征。然而，从本质上讲主成分分析方法是一种线性映射算法，这种方法只能保证线性特征被提取出来，而非线性特征很有可能会丢失。为此，一些文献提出了核主成分分析方法（KPCA ），用于处理非线性问题。KPCA 计算使用核矩阵K ，核矩阵的维数等于样本点的数量，由于多光谱图像中包含着大量的观测数据，带来核矩阵的维数比较大，造成计算复杂度增加。因此，KPCA 很难直接处理多光谱图像。
针对PCA 和KPCA 方法处理多光谱图像的不足，本文利用一种基于模糊c -均值聚类和KPCA 的方法来提取多光谱图像中的非线性特征。因为聚类具有满足全局分布结构的特性，使用聚类的方法可把所有样本分为给定数量的类，每个类中的样本具有高度的内在相似性。由于每个类的中心在他们所在的类中更有代表性，可以代表该类作为KPCA 算法的输入采样。这样，核矩阵的阶数就随着样本点分类而减少，大大降低了核矩阵的计算复杂度。
3.1 模糊c -均值聚类
聚类算法是一种多元统计分类方法，这种方法不必事先知道分类对象的分类结构，而是基于整个数据集内部存在若干“分组”或“聚类”为出发点而产生的一种数据描述方法。聚类分析的具体算法很多，有系统聚类法、动态聚类法、神经网络聚类法、k -均值聚类法、模糊c -均值聚类方法等。
对多谱图像进行聚类分析的目标是将所有样本分为给定数目的类。这样每个类的中心能够更加好的代表数据，它们将被作为KPCA 的输入样本。所以选择合适有效的聚类方法至关重要。本文选用模糊c -均值聚类算法处理多光谱图像。
模糊c -均值聚类（Fuzzy C-Means Clustering,FCM ）算法是Bezdek 在1981年提出得最著名的模糊聚类分析算法，是结合k -均值算法和模糊集理论而提出的。相对于模糊c -均值算法，k -均值算法也称为硬c -均值算法。为了说明模糊c -均值与k -均值算法之间的关系，我们先说明硬c -划分和模糊c -划分。
3.1.1 模糊c -均值聚类数学基础
给定数据集12{,,,}n X x x x = ，其中p k x R ∈，令()P X 为X 的幂集（集合X 的所有子集组成的集合）。X 的硬c -划分就是集合族{()|1}i A P X i c ∈≤≤（c 是正整数），即12{,,,}c A A A 将X 划分为c 类，其中每个i A 就是一类。它满足
1(1)
c i i i j A X A A i j c =?=??=?≤≠≤?? （3.1） 硬c -划分可以用i A 中元素k x 的特征（隶属度）函数来描述。k x 属于i A ，则
1ik u =；k x 不属于i A ，则0ik u =。因此给定ik u 的值，则就可以惟一确定X 的一个硬c -划分，反之亦然。ik u 应满足以下三个条件
{0,1},1,1ik u i c k n ∈≤≤≤≤ （3.2）
11,{1,2,,}c ik i u
k n ==∈∑ （3.3）
10,{1,2,,}n
ik k u n i c =<<∈∑ （3.4）
用元素ik u 构成矩阵c n U ?，即可得到硬c -划分的矩阵形式，定义如下： 定义 1 硬c -划分：令12{,,,}n X x x x = 为任意集合，cn V 为实c n ?阶矩阵
[]ik c n U u ?=的集合U 满足公式（3.2）到（3.4）
，为大于2小于n 的整数，则X 的硬c -划分空间为集合
{|}c cn M U U V =∈ （3.5） 但是硬c -划分存在两个问题：一是X 中元素的非此即彼的性质，即隶属度ik u 只能取0或1，而实际上事物的划分不是严格的非此即彼的性质；硬c -划分的另一个问题是空间c M 过大。事实上，把X 划分为c 个非空子集的划法共有 1
1||[(1)]!c j c j n c c j M C j c -==-∑ （3.6） 尽管离散的ik u 生成一个有限空间c M ，但由于c M 中元素的数量太多，以至于寻求“最佳”划分成为令人生畏的任务。若将ik u 变为一个连续变量，使其在[0,1]区间上任意取值，则就能够算出某个目标函数关于ik u 的梯度。进而利用梯度找到最好的搜索方向，从而大大简化寻求最佳划分的方法。
基于上述两种原因（概念上的适当性和计算上的简便性），引入模糊c -划分概念[10]。
定义2 模糊c -划分：令X ，cn V 和c 的含义同定义1，则X 的模糊c -划分空间为集合
{|[0,1],1,1}fc cn ik M U V u i c k n =∈∈≤≤≤≤ （3.7） 其中ik u 为隶属于类i A 的隶属度，并满足11,{1,2,,}c
ik i u k n ==∈∑ 。
从空间c M 或fc M 中选取“最佳”划分的方法之一为目标函数法。研究得最
图像纹理检测与特征提取技术研究综述
龙源期刊网 https://www.wendangku.net/doc/c615106166.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期
6-遥感图像特征和解译标志
上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造
第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；
图像特征提取方法
图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。
设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的
关于图像特征提取
关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特
遥感数字图像处理要点
遥感数字图像处理-要点 1．概论 遥感、遥感过程 遥感图像、遥感数字图像、遥感图像的数据量 遥感图像的数字化、采样和量化 通用遥感数据格式（BSQ、BIL、BIP） 遥感图像的模型：多光谱空间 遥感图像的信息内容： 遥感数字图像处理、遥感数字图像处理的内容 遥感图像的获取方式主要有哪几种? 如何估计一幅遥感图像的存储空间大小? 遥感图像的信息内容包括哪几个方面？ 多光谱空间中，像元点的坐标值的含义是什么？ 与通用图像处理技术比较，遥感数字图像处理有何特点？ 遥感数字图像处理包括那几个环节？各环节的处理目的是什么？ 2.遥感图像的统计特征 2.1图像空间的统计量 灰度直方图：概念、类型、性质、应用 最大值、最小值、均值、方差的意义 2.2多光谱空间的统计特征 均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义 波段散点图概念及分析 主要遥感图像的统计特征量的意义 两个重要的图像分析工具：直方图、散点图 3.遥感数字图像增强处理 图像增强：概念、方法 空间域增强、频率域增强
3.1辐射增强：概念、实现原理 直方图修正，线性变换、分段线性变换算法原理 直方图均衡化、直方图匹配的应用 3.2空间增强 邻域、邻域运算、模板、模板运算 空间增强的概念 平滑（均值滤波、中值滤波）原理、特点、应用 锐化、边缘增强概念 方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点 ?计算图像经过下列操作后，其中心象元的值： –3×3中值滤波 –采用3×3平滑图像的减平滑边缘增强 –域值为2的3×1平滑模板 –Sobel边缘检测 –Roberts边缘检测 –模板 3.3频率域处理 高频和低频的意义 图像的傅里叶频谱 频率域增强的一般过程 频率域低通滤波 频率域高通滤波 同态滤波的应用
图像分割和特征提取技术研究
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
图像特征提取总结
图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实
静态图像人体轮廓提取方法的研究
静态图像人体轮廓提取方法的研究 静态图像人体轮廓提取是指从静态图像中将人体轮廓分割出来,它在计算机视觉中的人体行为识别、背景分割与替换等多个方面都有着广泛的应用。静态图像人体轮廓提取面临着巨大的挑战,包括人体姿态的多样性,衣着的各异性,光线的变化以及复杂的背景等多个方面。 近年来,随着深度学习的快速发展,图像处理领域中基于传统特征提取的方法逐渐被深度学习所取代,而卷积神经网络在图像特征提取方面体现出了很大的优势。因此,采用卷积神经网络进行人体轮廓提取具有重要意义。 本文的主要研究内容如下:1.针对传统特征提取无法精准分割人体轮廓的问题,采用一种基于深度学习的人体轮廓提取方法。该方法设计了特定的卷积神经网络结构,在模型中引入了全卷积神经网络,反卷积与网络中网络的相关技术,实现了对静态图像在像素级别的人体轮廓提取。 2.为了提高模型的性能,在本文所构建卷积神经网络的基础上提出了一种改进方法,将原始图像经过Gabor滤波器进行预处理后再传入卷积神经网络,利用Gabor特征与卷积神经网络相结合实现了更精确的人体轮廓提取。 3.分别借助VOC2012数据集和百度人体分割数据集来验证本文所提出方法的有效性。 并将改进后的模型应用于具有隐私保护功能的视频监控系统,选择CAVIAR 视频监控数据集中的视频进行测试,并对结果进行分析。实验结果表明:(1)基于卷积神经网络的人体轮廓提取方法实现了对人体轮廓的快速有效分割,体现了利用深度学习进行实验的可行性;(2)改进后的模型在VOC2012数据集上的吻合度测试结果比原始模型提高了 10.96%;(3)在百度数据集上的测试结果表明该改进方法相比于其他现有方法,在准确度和处理速度等方面都能体现出合理性和有效
图像分割和特征提取毕业设计
图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
图像目标提取及特征计算
摘要 对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象 目标或对象特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 本课设需要解决的问题是，利用阈值分割方法,对该图像进行分割,得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。 关键词：阈值分割,边缘检测，像素点
１绪论 目标的特征提取是图像处理和自动目标识别（ＡTR)中的一个重要的研究课题,是解决图像识别问题的难点和关键。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时,假如特征提取需要许多的计算时间，而可以使用的时间有限制,一个高层次算法可以用来控制特征提取阶层,这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤,因此有大量特征提取算法被发展,其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 2 设计原理 2.1 常用的特征提取的方法 提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。 本课程设计是采用的第一种方法,即先对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像,在通过计算二值图像像素点的方式求取。其中计算周长时，先需要对二值图像进行边缘检测,然后再统计其像素点。 ２.2 阈值分割原理 图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像［1］。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤,因此在很多情况下，是进行图像分析、特征
(完整版)图像特征特点及常用的特征提取与匹配方法
图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩
图像特征特点及其常用的特征提取与匹配方法
图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局
图像特征提取及识别过程
摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition
图像特征提取总结
图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：
直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行