遥感图像处理实验报告-灰度共生矩阵.docx

遥感图像处理
实验报告
（2013 —2014 学年第1学期）
实验名称：
实验时间：
实验地点：
指导教师：
专业班级：
姓 名：
学 号：
一：实验目的
通过实验，理解并掌握灰度共生矩阵的概念，理解灰度共生矩阵对于纹理描述的意义，理解从纹理图像至特征值的抽象过程，理解计算机自动识别地貌的基本原理。
二：实验内容
灰度共生矩阵纹理描述在不同类型遥感图像中的有效性分析
三：实验平台
Windows XP Professional SP3
ENVI4.5
四：实验步骤
这次实验，选用Landsat5咸阳地区的图像作为实验对象
1：打开ENVI4.5，File->Open Image File，打开实验图像
2：Basic Tools->Resize Data(Spatial/Spectral)，打开Resize Data Input File对话框
3：选择目标图像，在Spectral Subset中选择第三波段（考虑到第波段地貌区分比较明显），在Spaial Subset中设置图像剪裁大小，进行剪裁。分别剪裁出50*50的城区图像一幅与50*50的农区图像一幅，保存至文件。
4：Filter（滤波器）->Texture（纹理）->Co-occurrence Measures（二阶概率统计），打开Texture Input File对话框
5：选择剪裁出的城区/农区图像，点击OK，弹出Co-occurrence Texture Parameters对话框
6：在Processing Window中设置滤波器窗口大小，在Co-occurrence Shift中设置对应窗口大小的灰度共生矩阵的距离差分值，Output Result to选择Memory
7：在工具栏选择Basic Tools->Statistics->Compute Statistics，弹出Compute Statistics Input File对话框
8：选择第6步输出的Memory，点击OK，再点击一次OK，弹出统计结果
9：对比两个纹理图像，在不同滤波窗口大小下不同距离差分下的统计结果，将各个统计结果中的统计均值Mean记录在表格上，做出图表，进行讨论。

7*7窗口大小下，差分距离为2，9*9窗口大小下，差分距离为3，11*11窗口大小下，差分距离为4

五：实验成果
通过对下列附表的分析，可以观察得出以下几个结论：
1：在八个特征值上，农区最终抽象出的值，普遍比城区要小30%-60%左右，也就是说，在本例中，抛开滤波窗口大小与差分距离及方向不管，仅凭特征值的大小，就可以明显区分城区与农区两种地貌纹理
2：同一特征值计算方法、同一纹理、同一差分方向，不同滤波窗口上的特征值有一定规律，普遍表现为7*7窗口最大，9*9次之，11*11最小，但也有个别例外情况。
3：同一特征值计算方法、同一纹理、同一滤波窗口大小及差分距离，不同差分方向上，表现出的特征值基本相近，有少许差异，说明在本例的两种纹理：城区与农区，在各个方向上灰度变化的统计概率是相近的，方向性纹理并不明显。
4：同一特征值计算方法、同一差分距离及差分方向上，不同纹理在三个窗口下的特征值，尽管大小有差异，但大小比值是相近的，表现在图表上的形式就是，城区和农区在同一方向的两张图表，形状是相近的，说明城区和农区两种纹理在本例中，大的差异主要体现在灰度值的大小上，而不是灰度值的统计规律上
TM图像 城区纹理 0方向

7*7
9*9
11*11
Mean
22.96254
20.40993
17.95336
Variance
64.13987
61.43254
56.31857
Homogeneity
0.099645
0.074081
0.053516
Contrast
97.86309
111.3509
113.3646
Dissimilarity
6.426979
6.558869
6.324552
Entropy
2.788908
2.771095
2.637256
Second Moment
0.017831
0.010164
0.00642
Correlation
-4.7979
-4.17655
-3.85302

TM图像 城区纹理 45方向

7*7
9*9
11*11
Mean
21.85466
18.77266
15.9626
Variance
60.28524
54.96604
48.33882
Homogeneity
0.075923
0.061314
0.045696
Contrast
135.2827
134.9414
118.6667
Dissimilarity
7.511787
6.969042
6.135038
Entropy
2.660287
2.580925
2.374487
Second Moment
0.017114
0.00927
0.005744
Correlation
-4.3826
-4.2124
-3.48193

TM图像 城区纹理 90方向

7*7
9*9
11*11
Mean
22.69092
19.98063
17.45092
Variance
63.14138
59.20805
53.76784
Homogeneity
0.090644
0.073692
0.064109
Contrast
108.6195
110.5986
107.8644
Dissimilarity
6.842946
6.555857
6.117445
Entropy
2.783616
2.763301
2.635753
Second Moment
0.018001
0.010355
0.006426
Correlation
-4.52999
-4.02622
-3.73604

TM图像 城区纹理 135方向

7*7
9*9
11*11
Mean
21.85466
18.77266
15.9626
Variance
60.28524
54.96604
48.33882
Homogeneity
0.077588
0.060801
0.046467
Contrast
145.4087
212.0964
154.7231
Dissimilarity
7.666587
7.742499
6.865855
Entropy
2.632271
2.529186
2.284745
Second Moment
0.018636
0.010981
0.008611
Correlation
-4.62382
-3.63547
-3.52611

TM图像 农区纹理 0方向

7*7
9*9
11*11
Mean
8.682849
7.772376
6.94484
Variance
37.98909
36.85875
34.31439
Homogeneity
0.157061
0.142769
0.110681
Contrast
70.29572
74.95512
73.27943
Dissimilarity
4.863379
4.683813
4.417365
Entropy
2.348418
2.301731
2.174275
Second Moment
0.03974
0.026281
0.018025
Correlation
-0.65831
-0.53376
-0.42744

TM图像 农区纹理 45方向

7*7
9*9
11*11
Mean
8.095183
6.975463
6.017167
Variance
33.14886
29.50952
25.99174
Homogeneity
0.154709
0.122071
0.099167
Contrast
55.08678
54.37432
48.65981
Dissimilarity
4.276179
4.038395
3.601326
Entropy
2.248553
2.138545
1.940229
Second Moment
0.037529
0.023778
0.016259
Correlation
-0.6353
-0.48749
-0.35543

TM图像 农区纹理 90方向

7*7
9*9
11*11
Mean
8.51453
7.504964
6.611187
Variance
34.68541
31.90819
28.9085
Homogeneity
0.209351
0.152582
0.127784
Contrast
52.47229
57.6301
55.74405
Dissimilarity
3.93884
4.013146
3.756512
Entropy
2.339733
2.291895
2.163056
Second Moment
0.040845
0.026255
0.018091
Correlation
-0.65433
-0.50576
-0.42157

TM图像 农区纹理 135方向

7*7
9*9
11*11
Mean
8.095183
6.975463
6.017167
Variance
33.14886
29.50952
25.99174
Homogeneity
0.145984
0.117212
0.09308
Contrast
81.31607
157.8904
63.57779
Dissimilarity
5.048138
5.075003
4.014671
Entropy
2.222428
2.114052
1.848338
Second Moment
0.040836
0.026727
0.024343
Correlation
-0.67578
-0.50703
-0.35776
六：实验心得
1：特征值是计算机用来识别地貌的工具，计算机无法直接比较两大块像素矩阵，自动地貌地物的识别的关键在于特征值的提取。
2：灰度共生矩阵是图像像素对的灰度值对的统计表达，是纹理的一种统计表达，是对纹理的一种抽象
3：从纹理图像到特征值需要一个抽象过程，将大量数据最终抽象为一个值，必然要丢失99%的信息，如何使留下的那1%的信息，是纹理图像的关键信息，就是抽象过程的难点，为了尽可能的保留规律信息，就有了下面的抽象过程
1）：将纹理图像分离为N个滤波窗口，将这N个滤波窗口的灰度信息抽象为N个灰度共生矩阵
2）：将每个灰度共生矩阵，通过某种运算，抽象为一个值
3）：将这N个值，再通过一种运算，抽象为最终的一个值
在本实验中，我们选用了Mean/Variance/Homogeneity等方法作为抽象过程2）的函数，选用Mean作为抽象过程3）的函数，最终看到，在丢失了99%的信息之后，城区与农区两种纹理经过高度抽象的特征值，还是有着明显差异的。这样，计算机就可以明显的判读出，这两种纹理是不同的，若在计算机数据库中，给样本特征值与地物地貌做一个映射表，同时为了防止误判的情况出现，我们可以更改组合步骤2）3），甚至更改滤波窗口大小来组合出更多的特征值抽象过程，做出一个多维的特征值-地物地貌的映射表，就可以在大大减少算法复杂度的情况下，快速的、自动的让计算机判读地物地貌。