SAR图像纹理特征提取

SAR图像纹理特征提取1.基于灰度共生矩阵的纹理特征灰度共生矩阵表示了灰度的空间依赖关系，能够很好地反映纹理中灰度级空间相关性的规律。灰度共生矩阵被定义为从灰度为i的像素点离开某一个固定位置关系的点上的灰度为j的概率（或频度）。它不仅反映灰度的分布特性，也反映了具有同样灰度的像素之间的位置分布特性，是有关图像灰度变换的二阶统计特征。一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变换幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础。设f(x,y)为一幅二维数字图像，其大小为(M×N)像素，灰度级为L，则满足一定空间关系的灰度共生矩阵为P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}式中，#表示集合的势，显然P为L×L的矩阵。若(x1,y1)与(x2,y2)间距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。由于灰度共生矩阵表示了图像中相距(∆x,∆y)的两个灰度级像素同时出现的联合概率分布，因此，以灰度共生矩阵为基础的纹理特征是一种有效的纹理表示方法。灰度共生矩阵不仅是角与相邻分解单元之间的函数，而且是距离与相邻分解单元之间的函数。对于距离为d的像素i与像素j，通常有4个角度：0°、45°、90°、135°。因而得到4各方向的矩阵。为了降低运算复杂度，在计算灰度共生矩阵前，首先对图像进行直方图规则化，将灰度级将至16个灰度级，并构造共生矩阵。依据灰度共生矩阵，提出了14种统计量：角二阶矩、对比度、相关、均方和、逆差分矩、和平均、和方差、和熵、熵、差方差、差熵、最大相关系数、两个相关性信息测度。可以只选择某一距离，某一角度的灰度共生矩阵，得到14种统计量，也可考虑4种方向的平均。2.基于灰度-梯度共生矩阵的纹理特征灰度共生矩阵虽然能够很好地表示一种纹理模式下的像素灰度的空间关系，但它并不能反映边缘信息。灰度-梯度共生矩阵法师灰度级直方图和边缘梯度直方图的结合，它考虑的是像素级和边缘梯度大小的联合统计分布。灰度-梯度共生矩阵法提供了区域的边缘信息。对一幅(M×N)像素的灰度级为L的图像f(x,y)(x=0,1,2,…M−1;y=0,1,2,…,N−1)，采用梯度微分算子求得其梯度图像g(x,y)，对其进行灰度级离散化，则新的梯度图像为，G(x,y)=g(x,y)−gmingmax−gmin(Lg−1)其中gmax,gmin分别是的最大值和最小值。在梯度图像G(x,y)基础上，定义灰度-梯度共生矩阵为，{H(i,j);i=0,1,2,..,L−1;j=0,1,2,…,Lg−1}H(i,j)定义为集合{(x,y)|f(x,y)=i,且G(x,y)=j;x=0,1,2,…,M−1,y=0,1,1,…,N−1}，中元素之数目。有了灰度-梯度共生矩阵，就可以从中提取15种数字特征：小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩。3.基于非下采样小波分解的纹理特征金字塔小波分解用于纹理分析是由Mallat在其开创性的工作中首次提出的，在此之后，基于小波分解能量的不同纹理测度纷纷提了出来。非下采样小波变换虽然是以冗余为代价的，但由于具有平移不变特性，所以能够提供稳定的纹理特征。利用各分解子图能量特征作为描述其纹理特征的信息测度，能够使分类目标间的差异更明显。以每个像素为中心的一个邻域窗的非下采样小波分解的能量值构成了该中心像素的纹理特征向量。采用𝑙1−范数计算其能量测度：𝐸=1𝑀𝑁∑∑|𝑅(𝑖,𝑗)|𝑁𝑗=1𝑀𝑖=1式中，𝑀×𝑁为子图像的大小；𝑖,𝑗表示子图像中系数的索引；R为该子图像的小波系数。很显然，采用2等或3层多分辨分析方法提取特征对局部分析来说比仅适用一层更为可取。因此，进行3层小波分解，得到10维特征向量(𝑒𝐿𝐿−1,𝑒𝐿𝐻−1,𝑒𝐻𝐿−1,𝑒𝐻𝐻−1,𝑒𝐿𝐻−2,𝑒𝐻𝐿−2,𝑒𝐻𝐻−2,𝑒𝐿𝐻−2,𝑒𝐻𝐿−2,𝑒𝐻𝐻−2)其中表示第一层分解的LL子图像。LL子图像通过横向和纵向的低通滤波获得。细节图像LH、HL、HH包含了高频分量。