基于灰度共生矩阵的纹理提取及分类研究

摘要

纹理特征作为遥感影像中普遍存在的非光谱特征，在遥感影像分类中发挥着重要的作用。特别是随着遥感影像空间分辨率的提高，纹理特征在遥感影像分析、处理、应用中的作用越来越重要。
　　基于灰度共生矩阵（Gray Level Co-occurrence Matrix，简称GLCM）纹理提取算法是影像纹理提取中最常用且较成熟的一种算法。论文在研究灰度共生矩阵纹理提取算法的基础上，进行了各纹理描述子的适应性研究，并用监督分类的方法对基于灰度共生矩阵纹理辅助分类进行了相关探讨，分析研究了灰度共生矩阵的方向参数、窗口尺寸参数对高分遥感影像纹理辅助分类的影响，取得了以下成果:
　　(1)对GLCM同质性、GLCM对比度、GLCM角二阶距、GLDV（归一化灰度矢量）角二阶距等9种纹理描述子进行比较研究，得出GLCM角二阶矩、GLDV角二阶矩这两种纹理描述子对高分、无人机遥感影像的纹理提取效果较好、较稳健，并用高分影像的分类结果验证了这一结论。
　　(2)灰度共生矩阵的方向参数(0°，45°，90°，135°)选择对纹理提取及分类结果具有重要影响。四个方向纹理均值辅助进行监督分类并不是一定能够提高高分影像的分类精度;在选择合适波段的基础上，采用先进行四个方向(0、45、90、135)纹理提取，取其PCA（主成分分析）的第一主成分来进行辅助监督分类的方法，使分类达到了较高的精度。
　　(3)灰度共生矩阵的窗口尺寸参数对纹理提取及分类结果具有重要影响。对于研究所采用的高分影像来说，小的窗口尺寸不但效率高，而且能有效的提取纹理并指导分类，在同等条件下，采用3×3窗口取得了比其他更大窗口较高的分类精度。
　　(4)定性比较了最大似然比、支持向量机、神经元网络法3种方法在是否有GLCM辅助情况下的分类精度，结果表明，相比无GLCM辅助的情况，采用先对图像进行纹理提取，然后对纹理进行PCA变换取第一主成分进行辅助分类的方案，有效的提高了高分影像的分类精度。

目录

声明

摘要

1 绪论

1．1 研究目的和意义

1．2 国内外研究现状

1．3 研究主要内容及技术路线

1．4 论文章节安排

2 算法原理

2．1 纹理概述

2．2 基于GLCM的纹理提取算法原理

3 GLCM纹理特征提取与分析

3．1 实验数据介绍

3．2 分类方法及精度评价

3．3 纹理描述子对纹理提取影响分析

3．4 方向对纹理提取及分类影响分析

3．5 窗口尺寸对纹理提取及分类影响分析

4 GLCM辅助分类

4．1 PCA变换原理

4．2 GLCM-最大似然比分类

4．3 GLCM-SVM分类

4．4 GLCM-神经元网络分类

5 结论与展望

5．1 结论

5．2 展望

致谢

参考文献

攻读硕士期间参加的科研项目

攻读硕士期间发表论文情况