多传感器遥感图像纹理特征选取的研究

任敏

摘要：由于多传感器遥感图像具有多种多样的特征，分析图像具体信息需要对图像的特征进行准确提取，其中纹理特征能够表现出图像本质，该文采用灰度共生矩阵统计分析方法进行特征提取，能够准确分析出多传感器遥感图像的信息，并且能够满足卫星遥感图像信息处理的技术的不断提高和发展。

关键词：遥感图像；纹理特征；灰度共生矩阵法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）09-2216-03

1 图像特征分析

图像最基本属性称为图像特征，它是图像内部最反映图像本质的信息，图像特征可以根据图像所具有的色度、亮度、边缘值、纹理或结构等划分为多种类别，整个图像在各个方面的属性都得到了反映。这几种特征主要分为统计特征（比如图像的均值、方差、直方图等）、幅值特征（比如图像像素的灰度值、频谱值等表示的幅值特征）、变换系数特征、边界特征、拓扑特征以及纹理特征。

下面对其中几种重要的特征做出详细的描述：

1）变换系数特征：亮度图像决定于变换域系数，它和原空间域图像是相同的，都同时具有唯一性的变化，所以其变换系数可以称为一种图像特征。

2）边界特征：包括了亮度边界点和噪声点。图像中的亮度边界点是指利用灰度及三色值来表示的在一幅没有噪声的图像中亮度突变或断续的点。噪声点和周围的像素比较起来也是具有灰度突变的性质，不过它是单独的随机点。

3）纹理特征：纹理特征在所有图像特征的种类中是一种相当重要的特征，它反映了图像或物体本身的属性。例如对遥感图像的分析和解译，最根本的依据就是波谱信息和空间信息两个方面的数据，即灰度和纹理信息。以前对图像的波谱信息的使用是最频繁的，随着卫星遥感图像信息处理的技术不断的提高和发展，单利用波谱信息早已适应不了遥感应用技术的发展需要。譬如，在地质学的角度来看，岩石受含水性或其他因素的影响，它的波谱信息显示的非常杂乱而且没有可循的规律性，但是纹理反映的信息是与岩石的类型有紧密的关系，它详细地描述了岩石表面的粗糙度和岩石的影文结构，所以纹理信息有助于我们将两种不同的物体区别开来，对岩石识别有必要的辅助作用。

2 纹理特征分析

目前对纹理准确的概念在业界还没有统一的标准性定义。我们把图像的像素灰度级或颜色相关的变化指定为图像纹理的一般描述。序列是按照某种特定的规律排列的基本部分所构成的；在某种序列范围之外，其局部的序列信息是不断的重复出现的；各基本部分在纹理范围内的所有地方都是具有几乎相同的结构大小，并且基本都是均匀的统一体。我们将这个系列的基本部分一般命名为纹理基元，纹理基元是一种或多种有特定形状大小的图像基元的组合，所以纹理也可以认为是由纹理基元按照一种特定的统计规律排列，或是按照某种确定的规律组合而成的，我们把前者称为随机性纹理，将后者称为确定性纹理。

纹理在图像中有很多特性，通常表现为疏密性、均一性、周期性、平滑性、粗糙性和复杂程度，特别的还有纹理基元或灰度空间组合的某些特征，如频率、强弱的程度以及方向性会在一个区域内重复地出现，这些特性的改变能深刻的影响图像的质量，使图像的外观产生非常大的改变。粗糙程度和局部的灰度变化与空间中的重复周期是相关的，长周期和低频率的是粗纹理，短周期的是细纹理。对纹理进行描述的参量有很多方面，包括纹理的密度、强度、方向和纹理的粗糙程度等。此外，纹理是二维的，只有一个点是无法描述纹理特征的，所以对纹理进行计算需要选择窗口。

分析纹理的方法一般概括为两类：一种是统计纹理分析法；另一种是结构纹理分析法。基于事物的构成不同，并且空间分布也具有很强的多样性和复杂性等原因，遥感图像的纹理并不拥有规则不变的局部模式和简单的周期重复，它的纹理信息和周期重复只是建立在统计学理论基础之上的，这样遥感图像纹理分析主要采用的是统计纹理分析方法，而结构分析方法在遥感图像中的应用所得到的结果没有用统计纹理分析方法的效果好。

3 空间灰度共生矩阵法

对于纹理图像的特征分析和提取方法是多种多样的，其中一种常用而且非常有效的统计特征提取方法就是空间灰度共生矩阵法。空间灰度共生矩阵主要表示的是在图像中某两个像素在相同方向且不同位置上出现的概率的大小，这种方法的使用是在图像灰度的二阶统计特性的基础之上的。

1）灰度共生矩阵的定义

在图像中任取两个像素点[x1，y1]和[x2，y2]，设他们之间的距离为[d]，并分别设[i]和[j]为两点对应的灰度值。由下图可知，根据给定的距离[d]，与像素点[x1，y1]对应的有不在图像边界上的8个相邻的点[x2，y2]，于是我们若对图像进行统计就可以选择[θ=0?]、[θ=45?]、[θ=90?]和[θ=135?]这四个不同方向的角度，如图1所示。

在这四个角度上我们可以得到四个灰度共生矩阵：[P0?]、[P45?]、[P90?]和[P135?]，它们的含义可理解为与灰度是[i]的点[x1，y1]相距达到[d]的长度且灰度达到[j]的点[x2，y2]能够出现的概率，即：

由此我们可知灰度共生矩阵法实际上就是关于对称矩阵中相邻基元之间的距离和角度的函数，即[Pi，j=Pj，i]。我们通过一个简单的例子来体会下灰度共生矩阵的作用：有一幅数字图像是[4×4]个四灰度级的，假设当[d=1]时通过计算得到的空间灰度共生矩阵，其中公式（1）表示的是灰度级为[0-3]的[4×4]图像，公式（2）-（5）分别表示的是当[d=1]时四个角度的共生矩阵。

我们在分析图像时，灰度共生矩阵只要确定下来，图像的方向模式就可以通过分析提取的图像特征[P0?]、[P45?]、[P90?]和[P135?]的大小来得到，特别强调的是[d]和[θ]是决定这些特征的关键。比如说，若使空间灰度共生矩阵趋于均匀分布，纹理要细并且是不规则的，[d]的取值要比纹理基元大，此时像素对的灰度值通常才会有大的差别；如果空间灰度共生矩阵趋于对角分布，纹理需要是粗糙且规则的，当[d]的取值比较小时，像素对灰度值才会相似。我们可以得出，分析纹理的粗糙度需要通过计算矩阵中根据不同的[d]值决定的元素，并且要计算元素关于主对角线的离散程度才能达到分析纹理的目的。

4 结束语

在纹理有方向的情况下，通过比较矩阵值随[θ]变化的分散程度就能够分析纹理的方向性，这样也可以达到纹理分析的目的，因为空间灰度共生矩阵对角线上的值是随[θ]变化而变化的。由此可得，直观地反映纹理图像的某些特性是灰度共生矩阵的一大特色，而且它拥有恰好满足人类视觉特性需求的统计方法，所以提取特征分析纹理的方法中比较简单实用的就是空间灰度共生矩阵法。

参考文献：

[1] 何东健，耿楠，张义宽.数字图像处理[M].西安：西安电子科技大学出版社，2003（7）：213-218.

[2] 刘丽，匡纲要.图像纹理特征提取方法综述[J].中国图像图形学报，2009（4）.

[3] 阮秋琦.数字图像处理学[M].北京：电子工业出版社，2010.

[4] 白香花.基于纹理分析的去噪声方法研究[J].遥感技术与应用，2008，（1）.

[5] 董伟军.基于纹理形状特征的图像检索技术[J].计算机工程与应用，2004（4）.