灰度共生矩阵下的遥感图像分类处理

王超阳

摘要：遥感图像分类处理可帮助我们充分掌握地物情况，从而提高遥感信息的实用价值。但因遥感图像所涵盖的内容非常多，使得其图像的分类处理具有非常高的难度，采取灰度共生矩阵来提高图像识别技术的处理效率和质量是本文研究的关键，旨在为遥感图像分类处理提供参考。

关键词：遥感图像；灰度共生矩阵；实验

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2019）05-0167-02

在遥感影像中，面状地物是其中非常多见的地物，主要包括了水域、居民地以及植被等，其与人们的生产生活密切相关，同时也是非常重要的一种地形要素。遥感图像中面状地物的提取，使得其在农业林业、航空航天等各方面都有着非常应用价值，但考虑到面状地物本身具有较高的复杂性，使得在对图像实施分类处理时，经常性遭遇各种问题[1]。为此，提出一种简单有效，且操作方便的图像识别处理技术，能够较好地实现对面状地物纹理的快速分析处理，从而判断其面状地物特征的方法成了研究的重点[2]。灰度共生矩阵是当前学界公认的具有较强鲁棒特性和适应特性的图像识别技术，其能够有效实现对图像的分类和检索，从而最大程度上实现对遥感图像分类处理精度的提升。本文结合灰度共生矩阵理论，对其在遥感图像分类处理中的应用进行探讨。

1灰度共生矩阵理论

常规情况下，图像处理过程中，纹理主要是通过某种局部排列的方式反复多次呈现，它在排列期间并不依赖光照或者颜色，却能够较好地呈现图像的同质特征，为此，在图像分类处理中纹理是非常重要的一大特征。灰度共生矩阵是基于图像像素基础上，对其局部特征以及像素排列规律进行综合分析，从而掌握图像像素的间隔与方向情况[3]。早在1973年就有研究者运用灰度共生矩阵来对图像纹理特征进行提取分析，并在经过反复的实践后证实，灰度共生矩阵主要是通过灰度在空间范围内呈现出重复、交替或者某种特定规定的变化。在图像空间中，当一对像素其之间的间隔距离存在于灰度，且呈现为相互关联的特点，那么这一对像素就可将其称之为灰度空间的相关性[4]。共生矩阵实际上就是对这种相关性进行合理利用，从而实现对图像纹理的有效表达和快速提取。

灰度共生矩阵实际上主要是指，灰度级i的点在离开了某个特定的位置[d=（Dx，Dy）]以此达到灰度为j的概率。主要运用[Pd（i，j）（i，j=0，1，2，…，L-1）]来呈现。其中L主要用于对图像的灰度级别进行表示；i，j则分别用于像素的灰度做出表示；d则主要是指两个不同像素之间的方向和距离，简单来说就是空间位置上的关系；[θ]则主要是指灰度共生矩陣所生成的相应方向，通常情况下为[0°、45°、90°、135°]。

当在确定了两个是像素之间的位置d之后，即可生成相应的灰度共生矩阵，具体表达如下：

2基于灰度共生矩阵的纹理分析

在灰度共生矩阵的应用期间，主要是通过一个像素在距离、方向上所体现的相关信息来实现对图像的处理，这是一个图像分析和处理非常重要的基础和规律特征。基于灰度共生矩阵下的图像分类处理，实际上就是经由灰度在空间内进行重复、交替，并通过对像素之间的相关性来实现对纹理的表达与特征的提取。

纹理特征图像生成主要是经由小窗口的方式来生成相应的子图像。在对纹理特征进行计算的过程中，可设计出相应的小窗口图像，其能够实现对灰度共生矩阵纹理特征值的充分体现；通过对这种窗口的纹理特征赋予一定的值，即可获得该窗口的中心像素；随着窗口的移动，其在达到了下一个像素时，即可形成一个相应的新窗口，再通过对其实施计算，即可得到纹理特征值和共生矩阵[5]。通过这种处理方法，即可快速实现对图像的分类处理，使得纹理特征值转变为相应的特征图像。

在对灰度共生矩阵进行计算之前，为了能够更好地发挥其效果，更加方便计算操作，通常会采取灰度直方图和压缩灰度级的方式来进行均衡。直方图均衡化是一种当前较常使用，且具有较高应用价值的图像处理方法，其能够结合图像的直方图情况来实现对其对比度的调整。借助直方图均衡化的处理，可较好地实现对局部对比度相应的增加，特别是针对有用数据对比在逐渐接近的过程中。经由这种处理方法，也可能在直方图上充分体现其亮度特征。通过这种方法就能够较好地实现对对比度的提升，从而促使其灰度值因此随之增强。

基于灰度共生矩阵基础上，可以分别选取三个不同的统计量，分别为对比度、熵以及相关性进行计算，可较好地实现从空间分布方面的图像纹理描述。为了能够更好地实现对纹理特征的准确体现，可借助这些灰度信息以及统计量来实现对纹理信息的最大程度的体现，从而构建起一个相应的特征矩阵[C=[f'f2f3f4]]，再基于此进行FCM聚类处理。

[f2=n=0L-1n2i=0L-1j=0L-1Pd∧（i，j）]

[f3=i=0L-1j=0L-1ijPd∧（i，j）-μ1μ2σ21σ22]

[f4=i=0L-1j=0L-1Pd∧（i，j）logPd∧（i，j）]

[f'=p=1Mq=1NWT]

根据上述公式来看，L-1主要用于对灰度级最大值进行表示；f2主要表示对比度；f3则主要用于相关性；f4主要表示熵；[f']表示灰度信息；[Pd∧（i，j）]主要用于对每个矩阵的行列元素进行表示；W则表示图像的灰度信息。

3实验步骤与结果

3.1实验步骤

基于灰度共生矩阵来进行各项统计量的统计，即可较好实现对图像纹理特征的体现。在对图像进行分析过程中，通过灰度共生矩阵的具体实验操作步骤为：

（1）确定图像分类数K，算法迭代次数以及势团参数β；

（2）通过对灰度共生矩阵以及灰度信息联合运用来建立其实相应的图像起始分割线；

（3）对特征场参数进行估计；

（4）对特征场的能量以及标号场进行计算；

（5）结合最小能量原则，确定最佳的分割结果。

3.2实验结果与分析

确定一个合成纹理图像，该图像为遥感图像，源自编号86016的481×321的自然景物图像。其中纹理合成图像灰度共生矩阵采取的是3×3的滑动窗口，其步长设定为1，其势团的参数[β=2.5]，迭代次数设定为100。遥感图像采取3×3的滑动窗口，其步长设定为1，其势团的参数[β=2.1]，迭代次数设定为100。分别在[0°、45°、90°、135°]方向上进行灰度共生矩阵。为了能够更好地了解其处理性能，运用Kappa系数与整体分类精度来进行评价，见表1。

根据上表结果来看，通过Kappa系数与整体分类精度对遥感数据的图像分类处理结果进行评价，两项评估指标结果均达到了80%以上。这充分表明，在遥感图像的分类处理过程中，通过对灰度共生矩阵的运用，能够较好地实现对面状地物的合理区分。

4結论

总而言之，在对遥感图像的分类处理过程中，纹理使其非常重要的基础，可促使图像实现快速区分。灰度共生矩阵是一种具有准确性的图像识别技术，其能够充分运用图像的纹理特性，较好地实现对图像中各种面状地物的合理分隔，从而达到对图像的快速处理。为此，在遥感图像的分类处理中，灰度共生矩阵是一种值得推广的应用方法。

参考文献：

[1] 余健.联合纹理和光谱特征的高光谱图像分类方法[J].韩山师范学院学报，2017，38（6）：18-26.

[2] 李光，姜春雪，刘争战，等.Laws纹理能量结合灰度共生矩阵的遥感影像面状地物提取[J].测绘与空间地理信息，2017，40（7）：179-181+185.

[3] 王晨，林伟，汤鹏飞，等.基于纹理上下文的遥感图像目标识别[J].系统工程与电子技术，2017，39（10）：2197-2202.

[4] 贾世英，马姣婷.基于小波变换和灰度共生矩阵的轮胎花纹检索[J].计算机测量与控制，2016，24（6）：210-213.

[5] 刘小丹，李陆陆.基于灰度共生矩阵和多尺度MRF的纹理图像分割[J].微型机与应用，2013，32（13）：46-48.

【通联编辑：唐一东】