前兩周的課設主題是目標識別與檢測，具體領到的題目是遙感圖像分類，細化到個人的任務是基于灰度共生矩陣（GLCM）的圖片特征提取。最終實現了50幀樣本圖像的256個特征提取工作。總結下來是一個比較基礎的課設，也可以學到很多東西。

下面就開始今天的分享！

01

理論篇

今天主要討論遙感圖像分類。提到圖像分類，追根溯源，要從模式識別談起。了解模式識別的原理對理解圖像分類有一定幫助。模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。模式識別的流程直接上圖更清楚些。

圖1?模式識別流程圖

由此引入遙感圖像分類的基本原理：

基于遙感圖像中反映的同類地物的特征相似性和異類地物的特征差異性。通過分析特征空間中點群的位置分布中心、分布規律等，確定點群的界限，完成分類。

遙感圖像分類的（主要步驟/分類過程）

1.分類預處理:大氣校正、幾何校正與配準

2.特征選擇(提取)

3.分類(監督分類訓練區的選擇)

4.分類后處理，包括精度評價

5.專題圖制作

上述分類過程基本可以說是我們課設小組實現的全部工作。而我負責做的特征選擇(提取)部分，就是在接收到批量預處理的圖片后，對每張圖片進行特征提取工作，每張圖片提取256個特征值，得到50*256樣本特征值矩陣。之后將特征值矩陣傳遞給做分類的同學，就可以實現整個分類過程。那么什么是特征提取呢？

特征提取（Feature extraction）

利用一定算法找出最能反映地物類別差異的特征變量用于分類的過程。遙感圖像的特征包括光譜特征（Spectral features）、空間幾何特征（geometrical features）、紋理特征（Texture?features）和輔助數據（auxiliary data）。本次提取的是遙感圖像的紋理特征。

紋理特征（Texture extraction）

紋理:地物顏色和灰度的某種變化特征，在圖像中局部呈現不規則變化，而在整體和宏觀上表現出某種規律性的圖斑。不同圖片的紋理不同，比如有這樣的：

也有這樣的：

不同圖像的紋理不同，對應的紋理參數也不同。因此以此為切入點，提取不同類別圖像的紋理參數，之后輸入到分類器中即可實現圖片分類。

表示紋理的方法:

–圖斑內像元的均值和標準偏差（直方圖統計)

-灰度共生矩陣(GLCM)

-分形維數

本文就是基于灰度共生矩陣(GLCM)對遙感圖像的特征進行提取。灰度共生矩陣(Gray level co-occurrencematrix，GLCM)是學術界公認的具有較強魯棒性和適應特性的理論，并且也是研究遙感圖像像素值空間關系的常用方法。

灰度共生矩陣GLCM

灰度共生矩陣法，就是通過計算灰度遙感圖像得到它的共生矩陣，然后透過計算這個共生矩陣得到矩陣的部分特征值，來分別代表遙感圖像的某些紋理特征，具體見圖2。

圖2 GLCM概念圖

灰度共生矩陣就是從遙感圖像(x,?y)灰度為i的像元出發，統計與距離為 o=(Ax2+Ay2 )/2、灰度為j的像元同時出現的概率P。

直接放報告原文：

本文選取0、45、90和135四個方向，選擇的距離為1?

灰度共生矩陣計算完畢后，就是計算特征向量啦！

生成GLCM特征向量

本文選用均值、方差、標準差、逆差矩、能量、熵、慣性矩、相關作為遙感圖像子區域的8維紋理參數。

公式太難打了，就直接上報告了：

對于一幀圖像，首先灰度級量化，由256級量化為16級。第二將圖片分割成32塊子區域，對每個區域求四個方向的GLCM矩陣。之后對矩陣歸一化計算矩陣對應的紋理參數，得到子區域紋理特征。最終串聯所有的子區域特征，得到一幀圖像的256個特征向量。

02

—

實操實戰

依據Part One中的理論，基于MATLAB軟件，實現過程流程圖如下：

總結來說，對于一幀樣本圖像，首先進行灰度級量化，將遙感圖像由256級量化為16級。?第二步將圖片分割成32塊子區域，對每個區域求解其四個方向的GLCM矩陣。之后對GLCM矩陣歸一化，并計算矩陣對應的紋理參數，得到子區域紋理特征。最終串聯所有的子區域特征，得到一幀遙感圖像最終的256個特征向量，可作為后續KNN算法的訓練數據集。（在實際操作第二步第一步是對調了的）

對于某一幀圖像為例，原圖如下，就叫他‘50’吧：

將其分割為32個子區域，并保存到以文件夾路徑中。如下圖所示：

顯示一下：

之后調用程序，就可以獲得對應圖像的256個特征值了。

為了對比選用的各個特征（均值、方差、標準差、逆差矩、能量、熵、慣性矩、相關）是否能顯著體現圖片差異，在未對遙感圖像進行子區域劃分前，通過計算50幀圖像的4個共生矩陣得到8維特征值，分別代表遙感圖像的某些紋理特征。首先對遙感圖像四個方向的GLCM矩陣求出的紋理參數求均值，之后對每類10張圖片的相同特征求均值，最終得到圖片的特征矩陣8*5特征值矩陣，歸一化后如下表所示。

繪制成直方圖如下所示。

分析可得不同遙感圖像在同種類別的紋理特征值中，其數值就存在明顯的差異。各類遙感圖像的均值、標準差、逆差距、熵分布差異相比慣性矩、相關性和能量較小，因此慣性矩、相關性和能量在此種特征范圍劃分下更能反映不同類別遙感圖像的差異。由圖可見，十字路口的相關性最大，港口的相關性最小；停車場的慣性矩最大，球形儲罐的慣性矩最小；球形儲罐的能量最大，密集住宅的能量最小，各類遙感圖像均有各自特征。也表明了選取的遙感圖像不同，則提取的紋理特征值也會存在較大的差異，這種差異規律基本與實際的遙感圖像紋理情況相符合。

編輯：黃飛

?