紋理特征GLCM

1、主要內(nèi)容主要內(nèi)容 紋理特征概述紋理特征概述1 灰度共生矩陣法（灰度共生矩陣法（GLCM）2 紋理特征輔助下的土地利用紋理特征輔助下的土地利用/覆蓋變化檢測覆蓋變化檢測3 紋理特征概述紋理特征概述 v紋理特征：紋理特征：紋理是影像中大量規(guī)律性很強或很弱的相似元素或者 圖形結(jié)構(gòu)，一般理解為影像灰度在空間上的變化和重復,或影像中反 復出現(xiàn)的局部模式(紋理單元)和它們的排列規(guī)則。 遙感影像上的紋理特征 實物照片的紋理 紋理特征作用紋理特征作用 v 近年來，隨著高分辨率遙感影像越來越多，應用越來越廣 泛，目前已占主流地位。高分辨率影像： 信息豐富：不僅光譜特征明顯，而且地物結(jié)構(gòu)、紋理信息突出 “同物異譜

2、”現(xiàn)象加重，僅利用光譜信息進行分類精度低 v 每一種地物具有其特有的紋理結(jié)構(gòu)，所以通過紋理特征既 可以充分利用高光譜遙感影像信息，又可以解決“同物異 譜”現(xiàn)象，提高分類精度。 矛盾矛盾 常用的紋理分析方法常用的紋理分析方法 v基于統(tǒng)計的紋理分析基于統(tǒng)計的紋理分析 灰度共生矩陣法（GLCM）：通過研究灰度的空間相關特性來描述紋 理的方法，是目前最常見、應用最廣泛、效果最好的一種紋理統(tǒng)計分 析方法。 灰度游程長度法 v基于模型的紋理分析基于模型的紋理分析 紋理模型法認為一個像素與其領域像素存在著某種相互關系，這種 關系既可以是線性的，也可以是服從條件概率的。常用的模型： 自相關模型 高斯Marko

3、v隨機場模型 分形模型 常用的紋理分析方法常用的紋理分析方法 v基于結(jié)構(gòu)的紋理分析基于結(jié)構(gòu)的紋理分析 主要是利用提取紋理基元從結(jié)構(gòu)上描述紋理，紋理基元在遙感影像里 很難確定或者分辨。比較適用于人工紋理，在遙感影像方面的應用相 對較少 v基于數(shù)學變換方法的紋理分析基于數(shù)學變換方法的紋理分析 空間域濾波 傅里葉濾波 小波變換 灰度共生矩陣法灰度共生矩陣法 v 灰度共生矩陣灰度共生矩陣(GLCM：Grey-Level Co-occurrence Matrix) 是一個統(tǒng)計描述影像中的一個局部區(qū)域或整個是一個統(tǒng)計描述影像中的一個局部區(qū)域或整個 區(qū)域相鄰象元或一定間距內(nèi)兩象元灰度呈現(xiàn)某種關系的矩區(qū)域相鄰

4、象元或一定間距內(nèi)兩象元灰度呈現(xiàn)某種關系的矩 陣。該矩陣中的元素值代表灰度級之間聯(lián)合條件概率密陣。該矩陣中的元素值代表灰度級之間聯(lián)合條件概率密 度度 ， 表示在給定空間距離表示在給定空間距離d和方和方 向向 時，灰度以時，灰度以i為始點，出現(xiàn)灰度級為為始點，出現(xiàn)灰度級為j的概率（也即頻的概率（也即頻 數(shù)）。數(shù)）。 ( ,/, )P i j d( ,/, )P i j d 135度度 0度度 45度度 90度度 基 準 窗 口 移 動 窗 口 112114110108108 114116112108108 112113110110108 114115110115107 11311411211110

5、7 基本概念基本概念 共生矩陣的大小共生矩陣的大?。涸诓粚υ瓐D像灰度級別進行壓縮的情況下，共生矩 陣的大小為原圖像灰度的級數(shù)的平方；在實際應用中，從紋理特征的 計算效率以及共生矩陣的存儲方面考慮，通常先把原始圖像的灰度等 級進行壓縮，比如從灰度級別為0-255的8bit圖像壓縮為灰度級別為 0-31的5bit圖像，相應的共生矩陣的維數(shù)從256*256降低到32*32 基準窗口：基準窗口：當前像素為中心的某一個窗口，尺寸通常為奇數(shù)方陣，大 小可設為3*3,5*5,7*7等 移動窗口：移動窗口：以基準窗口為參考窗口，通過設定的移動方向和步長進行 移動的窗口。尺寸大小與基準窗口的一樣，位置由移動方向

6、與步長決 定 移動方向：移動方向：基準窗口與移動窗口的相對方向。移動方向可以任意設定， 通常為0，45，90，135 移動步長：移動步長：基準窗口中心像元和移動窗口中心像元的距離（用像素表 示） 面向?qū)ο蟮拿嫦驅(qū)ο蟮腉LCMGLCM v面向?qū)ο蟮拿嫦驅(qū)ο蟮腉LCM的計算是在基于像素的GLCM 計算的基礎上提出的。與基于像素的GLCM計算 方法類似，不同的只是在計算面向?qū)ο蟮腉LCM 時，基準窗口是對象本身，窗口的大小即對象的 大小。 GLCMGLCM計算過程計算過程 112114110108108 114116112108108 112113110110108 114115110115107

7、113114112111107 以單波段為例，移動方向為以單波段為例，移動方向為90度時，窗口上下移動，度時，窗口上下移動，dx=0,dy= 1 107108109110111112113114115116 107 10811 109 1101221 111 1122 11311 114 1151111 11611 v 由于紋理特征計算利用的是概率，所以把共生矩陣中的值轉(zhuǎn)換為概率 值，方法是用各個元素值除以矩陣中所有元素的和（上圖元素和為 18），最后可以得到如下的方陣，即為灰度共生矩陣。 107108109110111112113114115116 107 1080.0550.055 109

8、 1100.0555 111 1120.11 1130.0550.05 5 114 1150.0550.05 5 0.0550.05 5 1160.0550.05 5 GLCMGLCM紋理統(tǒng)計量紋理統(tǒng)計量 v 灰度共生矩陣提供了影像灰度方向、間隔和變化幅度的信 息，但它并不能直接提供區(qū)別紋理的特性，因此需要在灰 度共生矩陣的基礎上提取用來定量描述紋理特征的統(tǒng)計屬 性。 v Haralick定義了14種紋理特征。常用的用于提取遙感影像 中紋理信息的特征統(tǒng)計量主要有:均值(Mean) 、方差 (Variance) 、同質(zhì)性(Homogeneity)、對比度 (Contras

9、t)、非 相似性 (Dissimilarity)、熵 (Entropy )、角二階矩( Angular Second Moment )、相關性 ( Correlation ) 等。 GLCMGLCM紋理統(tǒng)計量紋理統(tǒng)計量 （1）均值）均值 均值反映紋理的規(guī)則程度，紋理雜亂無章、難以描述的，值較小；規(guī) 律性強、易于描述的，值較大 （2）方差）方差 （3）標準差）標準差 方差、標準差反映像元值與均值偏差的度量，當圖像中灰度變化較大 時，方差、標準差值較大。 kk quant i quant j ijipM 00 *),(ean kk quant i quant j MeanijipV 00 2 )(

10、*),(ariance kk quant i quant j MeanijipS 00 2 )(*),(td GLCMGLCM紋理統(tǒng)計量紋理統(tǒng)計量 （4）同質(zhì)度）同質(zhì)度 也叫inverse difference moment（逆差距），是圖像局部灰度均 勻性的度量，如果圖像局部的灰度均勻，同質(zhì)度取值較大。 （5）對比度）對比度 反映圖像中局部灰度變化總量。在圖像中，如局部像素對的灰度差別 越大，則圖像的對比度越大，圖像的視覺效果越清晰。 （6）非相似性）非相似性 度量與對比度相類似，但是是線性增加。如果局部的對比度越高，則 非相似度也越高。 kk quant i quant j ji jipH

11、 00 2 )(1 1 *),(omogeneity kk quant i quant j jijiptrastC 00 2 )(*),(on kk quant i quant j jijiptyDissmilari 00 |)*,( GLCMGLCM紋理統(tǒng)計量紋理統(tǒng)計量 （7）熵）熵 是圖像所具有的信息量的度量，是測量灰度級分布隨機性的特征參數(shù)，表征了 圖像中紋理的復雜程度。圖像的紋理越復雜，熵值越大；反之，圖像中的灰度 越均勻，則熵值就越小。 （8）角二階矩）角二階矩 也叫能量，是圖像灰度分布均勻性的度量。當GLCM中元素分布較集中于主對 角線附近時，說明局部區(qū)域內(nèi)圖像灰度分布較均勻，AS

12、M取值相應較大；相反， 如果共生矩陣的所有值均相等，則ASM值較小。 （9）相關性）相關性 描述GLCM中行或列元素之間的相似程度的，它反映某種灰度值沿某方向的延 伸長度，若延伸的越長，則相關性越大，它是灰度線性關系的度量。 kk quant i quant j jipjipE 00 ),(ln*),(ntropy kk quant i quant j jipASM 00 2 ),( kk quant i quant j Variance jipMeanjMeani C 00 2 ),(*)(*)( orrelation GLCMGLCM影響因子影響因子 v基于基于GLCM的紋理分析需要綜合考

13、慮以下幾個因素：的紋理分析需要綜合考慮以下幾個因素： 圖像的灰度級 光譜波段 不同特征值選擇 移動方向 窗口大小和移動步長（基于像素GLCM計算中） p 例：計算一景TM影像，灰度級8bit（0-255），6個波段，8個特征值， 4個移動方向，7種窗口大小，3種移動步長 p 結(jié)果：256*256維的灰度共生矩陣，4032種計算結(jié)果（面向?qū)ο蟮?是192種計算結(jié)果） 計算量大！計算量大！ 圖像灰度級壓縮：圖像灰度級壓縮：為了使共生矩陣的維數(shù)不至于太大（太大會降低紋 理特征值的計算效率），通常先把原始圖像的灰度等級進行壓縮，比 如從0-255的8 bit 圖像壓縮為0-31的 5 bit圖像，相應

14、的共生矩陣 維數(shù)從256*256降低到32*32（主要針對基于像素的GLCM計算） 波段選擇：波段選擇：根據(jù)分類需要進行選擇。如植被，紅波段和近紅外波段更 有效；也可以使用主成分分析法減少波段數(shù)量。在面向?qū)ο驡LCM計 算時，可以將亮度值（brightness）值代替多波段計算 方向選擇：方向選擇：根據(jù)經(jīng)驗，或者用均方向（all direction=其相應的四個 方向的紋理統(tǒng)計量的平均值）進行替代。 紋理特征值選擇紋理特征值選擇：遵循“可分性、可靠性、獨立性和數(shù)量少可分性、可靠性、獨立性和數(shù)量少”的原則， 針對特定的專題信息使用選擇合適的紋理特征。 典型地類樣本： 耕地1 耕地2 水體 建筑用

15、地 不同時相影像各地類紋理差值特征曲線圖 GLCMGLCM特點特點 灰度共生矩陣（灰度共生矩陣（GLCM）特點：）特點： 共生矩陣是一個方陣共生矩陣是一個方陣：該方陣的大小取決于原始圖像灰度的級數(shù)，與 原始圖像尺度大小無關 共生矩陣與統(tǒng)計方向和距離有關共生矩陣與統(tǒng)計方向和距離有關 矩陣元素值的分布與圖像的信息豐富程度密切相關：矩陣元素值的分布與圖像的信息豐富程度密切相關：如果灰度共生矩 陣非零元素集中在主對角線上，則說明圖像信息量在該方向上低，如 果非零元素值在非主對角線上離散分布，說明在該方向上圖像灰度變 化頻繁，信息量大。 共生矩陣元素值的大小相對于主對角線的分布與圖像的紋理粗細程度共生矩

16、陣元素值的大小相對于主對角線的分布與圖像的紋理粗細程度 密切相關：密切相關：移動步長一定，如果靠近主對角線的元素值較大，則圖像 的紋理比較粗糙，反之，如果離主對角線較遠的元素值較大，則表明 圖像的紋理較細。即灰度共生矩陣元素相對于主對角線的分布情況反 映圖像紋理的粗細程度。 012345678 0004000000 1000400000 2400040000 3040104000 4004010400 5000401040 6000040004 7000004000 8000000400 012345678 0000000600 1000000060 2000000006 3000100000

17、 4000010000 5000001000 6600000000 7060000000 8006000000 粗 紋 理 細 紋 理 GLCMGLCM稀疏矩陣處理方法稀疏矩陣處理方法 v稀疏矩陣稀疏矩陣是指這樣一種矩陣，在該矩陣中，非零元素的比例很小。 如計算GLCM中，會遇到稀疏矩陣。 產(chǎn)生的原因產(chǎn)生的原因：根據(jù)灰度共生矩陣的定義，如果一幅影像的灰度級別為 0-255，在沒有進行圖像壓縮的情況下，就生產(chǎn)256*256的灰度共 生矩陣。在面向?qū)ο驡LCM計算過程中，對象的GLCM只是由對象內(nèi) 部像素來產(chǎn)生，而對象相對來說一般都較為均一，相對的灰度值范圍 較小，這就導致灰度共生矩陣中實際存儲的

18、非零元素所占比例很少。 解決方法：解決方法：只存儲非零元素 三元數(shù)組法 十字鏈表法 右指針指向同一行中下一個非零元素節(jié)點；下指針指向同一列中下一個非零元素節(jié)點右指針指向同一行中下一個非零元素節(jié)點；下指針指向同一列中下一個非零元素節(jié)點 稀疏矩陣稀疏矩陣 112114110117108 114116112108106 118113103110106 114115110115103 113114118111107 103104105106107108109110111112113114115116117118 1030000000101000000 1040000000000000000 10500

19、00000000000000 1060000000000000000 1070000000000000000 1080000000100000010 1090000000000000000 1101000010000001001 1110000000000000000 1121000000100000000 1130000000000001100 1140000000000000000 1150000000110110000 1160000000000110000 1170000000000000000 1180000000000000000 1031041051061071081091101

20、11112113114115116117118 1030000000.0550.055000000 1040000000000000000 1050000000000000000 1060000000000000000 1070000000000000000 1080000000.055000000.0550 1090000000000000000 110.0550000.055000000.05500.055 1110000000000000000 112.055000000.05500000000 113000000000000.055.05500 1140000000000000000

21、1150000000.055.0550.055.0550000 1160000000000.055.0550000 1170000000000000000 1180000000000000000 邊界像元的處理方法邊界像元的處理方法 v 由于算法中的每次計算都是針對基準窗口的中心象元進行由于算法中的每次計算都是針對基準窗口的中心象元進行 紋理特征賦值，所以算法實現(xiàn)過程涉及到邊界元素的處理。紋理特征賦值，所以算法實現(xiàn)過程涉及到邊界元素的處理。 常用邊界元素的處理的方法：常用邊界元素的處理的方法： 方法1：把所有邊界元素最終的紋理特征值全部賦值為0，ENVI軟件 采用該種方法處理，計算效率較好；

22、方法2：根據(jù)處理的窗口大小和步長大小，用0值或者邊界值擴展源圖 像的邊界，使源圖像擴大維數(shù)，并且將添加的邊界象元值也參加計算， 最終使原來的邊界元素也能成為中心元素進行計算，但最終處理結(jié)果 仍保持原始圖像尺寸，處理效率較方法1差。 影像影像 賦予紋賦予紋 理特征理特征 計算值計算值 的像元的像元 第一步第一步第二步第二步 黃色：有紋理特征值黃色：有紋理特征值 白色：無值白色：無值 紋理特征輔助下的土地利用紋理特征輔助下的土地利用/ /覆蓋變化檢測覆蓋變化檢測 v 在土地覆蓋類型中，建設用地 中往往包含了建筑物屋頂、行 道樹以及陰影等諸多因素，導 致其紋理較為復雜，而耕地和 水體則地物類型較為單

23、一，因 此其紋理較為簡單規(guī)則。 v 熵值是圖像信息量的度量，表 征了圖像中紋理的復雜程度。 圖像的紋理越復雜，熵值越大； 反之，就越小。因此，這里利 用紋理特征中的統(tǒng)計量熵值作 為變化檢測的指標之一。 v 計算基于最佳波段組合的光譜 和紋理特征值，同時采用變化 向量分析法構(gòu)建變化向量，形 成變化差異影像。 實驗數(shù)據(jù)實驗數(shù)據(jù) v 實驗數(shù)據(jù)：昌平區(qū)2002-10-1、2007-10-16，SPOT5（2.5m）遙 感影像，中間圖例為典型地類樣本，從上到下依次為：耕地1、耕地2、 水域、建設用地 變化區(qū)域提取結(jié)果對比變化區(qū)域提取結(jié)果對比 僅利用光譜特征僅利用光譜特征利用光譜和紋理特征利用光譜和紋理特

24、征 參考文獻參考文獻 1 Mryka Hall-Beyer. The GLCM TutorialM.Last update: 21 February 2007 http:/www.fp.ucalgary.ca/mhallbey/tutorial.htm 2 陳敏捷.基于支持向量機的面向?qū)ο蟾叻直媛蔬b感影像分類方法研究 D. 北京：中國農(nóng)業(yè)大學，2010 3 劉琳.用于耕地變化檢測的紋理分析方法研究D.北京：中國農(nóng)業(yè)大 學，2007 4 劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望J. 遙感 技術與應用，2003，18（6） 5 高程程，惠曉威.基于灰度共生矩陣的紋理特征提取J. 計算機

25、系統(tǒng) 應用，2010，19（6） 6 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究J.北 京測繪，2007，3:19-22 7 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 謝 謝！ 敬請批評指正！敬請批評指正！ 常用的紋理分析方法常用的紋理分析方法 v基于統(tǒng)計的紋理分析基于統(tǒng)計的紋理分析 灰度共生矩陣法（GLCM）：通過研究灰度的空間相關特性來描述紋 理的方法，是目前最常見、應用最廣泛、效果最好的一種紋理統(tǒng)計分 析方法。 灰度游程長度法 v基于模型的紋理分析基于模型的紋理分析 紋理模型法認為一個像素與其領域像素存在著某種相互關系，這種 關系既可以是線性的，也可以是服從條件概率的。常用的模型： 自相關模型 高斯Markov隨機場模型 分形模型 面向?qū)ο蟮拿嫦驅(qū)ο蟮腉LCMGLCM v面向?qū)ο蟮拿嫦驅(qū)ο蟮腉LCM的計算是在基于像素的GLCM 計算的基礎上提出的。與基于像素的GLCM計算 方法類似，不同的只是在計算面向?qū)ο蟮腉LCM 時，基準窗口是對象本身，窗口的大