第一篇：關于質心提取的若干圖像處理問題的總結
關于質心提取的若干圖像處理問題的總結
1.提取多個目標物的質心位置
>> I = imread('test.png');%加載圖圖像 I1 = im2bw(I);L = bwlabel(I1);%將I1轉換為標記矩陣 stats = regionprops(L, 'Centroid');%求質心 imshow(I)hold on;for i = 1 : length(stats)
temp = stats(i).Centroid;
plot(temp(1), temp(2), 'r.');end
2提取一個車輪的中心
clear all;clc rgb = imread('wheel.jpg');I=rgb2gray(rgb);Ibw=im2bw(I);Ibw=imclearborder(Ibw);Ibw=bwmorph(Ibw,'close',2);Ibw=imfill(Ibw,'holes');Ibw=bwmorph(Ibw,'open',2);imshow(rgb)[l,m]=bwlabel(Ibw,8);stats=regionprops(l,'Centroid');hold on;plot(stats(1).Centroid(1),stats(1).Centroid(2),'R+');hold off
3提取兩個車輪的中心，并計算他們之間的距離
clear all;close all clc
rgb = imread('wheel1.jpg');I=rgb2gray(rgb);Ibw=im2bw(I);Ibw=imclearborder(Ibw);Ibw=bwmorph(Ibw,'close',2);Ibw=imfill(Ibw,'holes');Ibw=bwareaopen(Ibw,500);imshow(rgb,'notruesize')%figure,imshow(Ibw);[l,m]=bwlabel(Ibw,8);hold on;for i=1:m stats=regionprops(l,'Centroid');plot(stats(i).Centroid(1),stats(i).Centroid(2),'R+');end a=stats(1).Centroid(1);b=stats(1).Centroid(2);c=stats(2).Centroid(1);d=stats(2).Centroid(2);sd=sqrt((a-c)^2+(b-d)^2);title(strcat('兩個車輪的距離為：',num2str(sd)));hold off
4.求兩個同心圓的半徑差 clear close all clc
RGB=imread('yuan.jpg');%讀入圖像 I = rgb2gray(RGB);threshold = graythresh(I);BW = im2bw(I,threshold);dim = size(BW);col = round(dim(2)/2);row = min(find(BW(:,col)));connectivity = 8;num_points
= 180;contour = bwtraceboundary(BW, [row, col], 'N', connectivity, num_points);% imshow(RGB,'notruesize');% hold on;%plot(contour(:,2),contour(:,1),'g','LineWidth',2);x = contour(:,2);y = contour(:,1);abc=[x y ones(length(x),1)][-(x.^2+y.^2)];a = abc(1);b = abc(2);c = abc(3);xc =-a/2;yc =-b/2;radius1 = sqrt((xc^2+yc^2)-c)
%figure img4=BW(15:170,15:170);img4=imclearborder(img4,8);imshow(img4)dim = size(img4);col = round(dim(2)/2);row = min(find(img4(:,col)));connectivity = 8;num_points
= 180;contour = bwtraceboundary(img4, [row, col], 'N', connectivity, num_points);% imshow(img4,'notruesize');% hold on;% plot(contour(:,2),contour(:,1),'g','LineWidth',2);x = contour(:,2);y = contour(:,1);abc=[x y ones(length(x),1)][-(x.^2+y.^2)];a = abc(1);b = abc(2);c = abc(3);
xc =-a/2;yc =-b/2;radius2 = sqrt((xc^2+yc^2)-c)
imshow(RGB)
message = sprintf('The estimated radius of big circle is %2.3f pixels', radius1);text(15,15,message,'Color','y','FontWeight','bold');title('大圓')
message = sprintf('The estimated radius of small circle is %2.3f pixels', radius2);text(25,25,message,'Color','y','FontWeight','bold');title('小圓')distance=radius1-radius2
message = sprintf('The estimated distance of two circle is %2.3f pixels', distance);text(90,45,message,'Color','y','FontWeight','bold');
5.求桃形物體最寬的部分的寬度
img=imread('seed.jpg');img=rgb2gray(img);img=im2bw(img);img1=img';[m n]=find(img1==1);max(m)-min(m);ans =
369
第二篇：圖像特征提取總結
圖像常見特征提取方法簡介
常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征。
一、顏色特征
（一）特點：顏色特征是一種全局特征,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特征是基于像素點的特征，此時所有屬于圖像或圖像區域的像素都有各自的貢獻。由于顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。另外，僅使用顏色特征查詢時，如果數據庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特征的方法，其優點是不受圖像旋轉和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。
（二）常用的特征提取與匹配方法（1）顏色直方圖 其優點在于：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在于：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。（2）顏色集
顏色直方圖法是一種全局顏色特征提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個柄。然后，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系（3）顏色矩
這種方法的數學基礎在于：圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。（4）顏色聚合向量 其核心思想是：將屬于直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所占據的連續區域的面積大于給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。（5）顏色相關圖 二紋理特征
（一）特點：紋理特征也是一種全局特征，它也描述了圖像或圖像區域所對應景物的表面性質。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內容的。與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特征具有較大的優越性，不會由于局部的偏差而無法匹配成功。作為一種統計特征，紋理特征常具有旋轉不變性，并且對于噪聲有較強的抵抗能力。但是，紋理特征也有其缺點，一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應用于檢索時，有時這些虛假的紋理會對檢索造成“誤導”。
在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特征是一種有效的方法。但當紋理之間的粗細、疏密等易于分辨的信息之間相差不大的時候，通常的紋理特征很難準確地反映出人的視覺感覺不同的紋理之間的差別。
（二）常用的特征提取與匹配方法 紋理特征描述方法分類
（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特征基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特征：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特征，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特征參數（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特征分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特征法和結構法。（3）模型法
模型法以圖像的構造模型為基礎，采用模型的參數作為紋理特征。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法（4）信號處理法
紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關性四個參數。Tamura 紋理特征基于人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。三形狀特征
（一）特點：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基于形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特征僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特征所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特征空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由于視點的變化，可能會產生各種失真。
（二）常用的特征提取與匹配方法 Ⅰ幾種典型的形狀特征描述方法
通常情況下，形狀特征有兩類表示方法，一類是輪廓特征，另一類是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。幾種典型的形狀特征描述方法：
（1）邊界特征法該方法通過對邊界特征的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關于邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。（2）傅里葉形狀描述符法
傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。（3）幾何參數法
形狀的表達和匹配采用更為簡單的區域特征描述方法，例如采用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基于形狀特征的圖像檢索。
需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的準確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。（4）形狀不變矩法
利用目標所占區域的矩作為形狀描述參數。（5）其它方法近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。Ⅱ基于小波和相對矩的形狀特征提取與匹配
該方法先用小波變換模極大值得到多尺度邊緣圖像，然后計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特征向量，從而統一了區域和封閉、不封閉結構。四空間關系特征
（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，后一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。空間關系特征的使用可加強對圖像內容的描述區分能力，但空間關系特征常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。為了檢索，除使用空間關系特征外，還需要其它特征來配合。
（二）常用的特征提取與匹配方法
提取圖像空間關系特征可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然后根據這些區域提取圖像特征，并建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然后對每個圖像子塊提取特征，并建立索引。
第三篇：圖像濾波總結
數字圖像處理：各種變換濾波和噪聲的類型和用途總結
一、基本的灰度變換函數 1.1.圖像反轉
適用場景：增強嵌入在一幅圖像的暗區域中的白色或灰色細節，特別是當黑色的面積在尺寸上占主導地位的時候。
1.2.對數變換（反對數變換與其相反）
過程：將輸入中范圍較窄的低灰度值映射為輸出中較寬范圍的灰度值。用處：用來擴展圖像中暗像素的值，同時壓縮更高灰度級的值。特征：壓縮像素值變化較大的圖像的動態范圍。
舉例：處理傅里葉頻譜，頻譜中的低值往往觀察不到，對數變換之后細節更加豐富。
1.3.冪律變換（又名：伽馬變換）
過程：將窄范圍的暗色輸入值映射為較寬范圍的輸出值。
用處：伽馬校正可以校正冪律響應現象，常用于在計算機屏幕上精確地顯示圖像，可進行對比度和可辨細節的加強。
1.4.分段線性變換函數
缺點：技術說明需要用戶輸入。優點：形式可以是任意復雜的。
1.4.1.對比度拉伸：擴展圖像的動態范圍。
1.4.2.灰度級分層：可以產生二值圖像，研究造影劑的流動。1.4.3.比特平面分層：原圖像中任意一個像素的值，都可以類似的由這些比特平面對應的二進制像素值來重建，可用于壓縮圖片。
1.5.直方圖處理
1.5.1直方圖均衡：增強對比度，補償圖像在視覺上難以區分灰度級的差別。作為自適應對比度增強工具，功能強大。
1.5.2直方圖匹配（直方圖規定化）：希望處理后的圖像具有規定的直方圖形狀。在直方圖均衡的基礎上規定化，有利于解決像素集中于灰度級暗端的圖像。
1.5.3局部直方圖處理：用于增強小區域的細節，方法是以圖像中的每個像素鄰域中的灰度分布為基礎設計變換函數，可用于顯示全局直方圖均衡化不足以影響的細節的顯示。1.5.4直方圖統計：可用于圖像增強，能夠增強暗色區域同時盡可能的保留明亮區域不變，靈活性好。
二、基本的空間濾波器 2.1.平滑空間濾波器
2.1.1平滑線性濾波器（均值濾波器）
輸出：包含在濾波器模板鄰域內的像素的簡單平均值，用鄰域內的平均灰度替代了圖像中每個像素的值，是一種低通濾波器。結果：降低圖像灰度的尖銳變化。
應用：降低噪聲，去除圖像中的不相關細節。負面效應：邊緣模糊。
2.1.2統計排序濾波器（非線性濾波器）舉例：中值濾波器。過程：以濾波器包圍的圖像區域中所包含圖像的排序為基礎，然后使用統計排序結果決定的值取代中心區域的值。
用處：中值濾波器可以很好的解決椒鹽噪聲，也就是脈沖噪聲。
2.2.銳化空間濾波器
2.2.1拉普拉斯算子（二階微分）
作用：強調灰度的突變，可以增強圖像的細節。
2.2.2非銳化掩蔽和高提升濾波
原理：原圖像中減去一幅非銳化（平滑處理）的版本。背景：印刷和出版界使用多年的圖像銳化處理。
高提升濾波：原圖減去模糊圖的結果為模板，輸出圖像等于原圖加上加權后的模板，當權重為1得到非銳化掩蔽，當權重大于1成為高提升濾波。
2.2.3梯度銳化（一階微分對）
含義：梯度指出了在該位置的最大變化率的方向。
用處：工業檢測，輔助人工檢測產品的缺陷，自動檢測的預處理。
三、基本的頻率濾波器 3.1.1理想低（高）通濾波器 特性：振鈴現象，實際無法實現。
用處：并不實用，但是研究濾波器的特性很有用。
3.1.2布特沃斯低（高）通濾波器
特點：沒有振鈴現象，歸功于在低頻和高頻之間的平滑過渡，二階的布特沃斯低通濾波器是很好的選擇。
效果：比理想低（高）通濾波器更平滑，邊緣失真小。截止頻率越大，失真越平滑。
3.1.3高斯低（高）通濾波器 特點：沒有振鈴。
用處：任何類型的人工缺陷都不可接受的情況（醫學成像）。
3.1.4鈍化模板，高提升濾波，高頻強調濾波 用處：X射線，先高頻強調，然后直方圖均衡。
3.1.5同態濾波
原理：圖像分為照射分量和反射分量的乘積。
用處：增強圖像，銳化圖像的反射分量（邊緣信息），例如PET掃描。
3.1.6選擇性濾波
3.1.6.1帶阻濾波器和帶通濾波器。作用：處理制定頻段和矩形區域的小區域。
3.1.6.2陷阱濾波器
原理：拒絕或通過事先定義的關于頻率矩形中心的一鄰域。應用：選擇性的修改離散傅里葉變換的局部區域。
優點：直接對DFT處理，而不需要填充。交互式的處理，不會導致纏繞錯誤。用途：解決莫爾波紋。
四、重要的噪聲概率密度函數 4.1.高斯噪聲
特點：在數學上的易處理性。
4.2瑞利噪聲
特點：基本形狀向右變形，適用于近似歪斜的直方圖。
4.3愛爾蘭（伽馬）噪聲
特點：密度分布函數的分母為伽馬函數。
4.4指數噪聲
特點：密度分布遵循指數函數。
4.5均勻噪聲 特點：密度均勻。
4.6脈沖噪聲（雙極脈沖噪聲又名椒鹽噪聲）
特點：唯一一種引起退化，視覺上可以區分的噪聲類型。
五、空間濾波器還原噪聲 5.1均值濾波器 5.1.1算術均值濾波器
結果：模糊了結果，降低了噪聲。適用：高斯或均勻隨機噪聲。5.1.2幾何均值濾波器
結果：和算術均值濾波器相比，丟失的圖像細節更少。適用：更適用高斯或均勻隨機噪聲。
5.1.3諧波均值濾波器
結果：對于鹽粒噪聲（白色）效果較好，但不適用于胡椒噪聲（黑色），善于處理高斯噪聲那樣的其他噪聲。
5.1.4逆諧波均值濾波器
結果：適合減少或在實際中消除椒鹽噪聲的影響，當Q值為正的時候消除胡椒噪聲，當Q值為負的時候該濾波器消除鹽粒噪聲。但不能同時消除這兩種噪聲。適用：脈沖噪聲。
缺點：必須知道噪聲是明噪聲還是暗噪聲。
5.2統計排序濾波器 5.2.1中值濾波器
適用：存在單極或雙極脈沖噪聲的情況。
5.2.2最大值濾波器
作用：發現圖像中的最亮點，可以降低胡椒噪聲。
5.2.2最小值濾波器
作用：對最暗點有用，可以降低鹽粒噪聲。
5.2.3中點濾波器
作用：結合統計排序和求平均，對于隨機分布噪聲工作的很好，如高斯噪聲或均勻噪聲。5.2.4修正的阿爾法均值濾波器
作用：在包括多種噪聲的情況下很有用，例如高斯噪聲和椒鹽噪聲混合。
5.3自適應濾波器
5.3.1自適應局部降低噪聲濾波器
作用：防止由于缺乏圖像噪聲方差知識而產生的無意義結果，適用均值和方差確定的加性高斯噪聲。
5.3.1自適應中值濾波器
作用：處理更大概率的脈沖噪聲，同時平滑非脈沖噪聲時保留細節，減少諸如物體邊界粗化或細化等失真。
5.4頻率域濾波器消除周期噪聲 5.4.1帶阻濾波器
應用：在頻率域噪聲分量的一般位置近似已知的應用中消除噪聲
5.4.2帶通濾波器
注意：不能直接在一張圖片上使用帶通濾波器，那樣會消除太多的圖像細節。用處：屏蔽選中頻段導致的結果，幫助屏蔽噪聲模式。
5.4.3陷阱濾波器
原理：阻止事先定義的中心頻率的鄰域內的頻率。作用：消除周期性噪聲。
5.4.4最佳陷阱濾波
作用：解決存在多種干擾分量的情況。
第四篇：圖像解譯復習總結
名詞解釋（40‘）簡答（4*10’）綜合（20‘）第一章
1.遙感提供哪些信息？可以用來干什么？ 空間、屬性、變化
現狀（衛星視頻，選址，石油儲備，難民，城市etc）2.技術流程
**地物信息的傳遞過程涉及的環節
3.解譯方法（分類器）
遙感圖像解譯的任務與實施 目的：
信息提取：地表覆蓋土地利用類別提取地物各組成部分和存在于其它地物的內涵的信息、相關信息。
方法：從遙感圖像上提取地物信息所需要的的基礎理論和實踐方法。
4.眾源（VGI）雷達、光學、GIS、歷史產品、POI 遙感技術發展，導致數據的迅速積累，為多種來源的信息進行復合處理和綜合分析提供可能，同時還促使建立起全面收集、整理和檢索這些數據的空間數據庫及管理系統，建立一些地學分析模型、計量分析模型或進行其它相關研究與綜合分析。
空間尺度
尺度是指觀測和描述物體、結構和過程的空間維。從地理學的角度 p135 空間異質性(尺度是空間異質性的量度單位)指某個變量在空間上分布的不均勻性及復雜程度，是自然現象固有的屬性。空間異質性的程度不僅取決于自然現象的本身，也依賴于測量尺度大小
遙感圖像尺度
根據應用目的和要求不同，每個傳感器具有不同的特性，即不同的遙感平臺和傳感器所獲得的圖像的空間分辨率、光譜分辨率、輻射分辨率和時間分辨率是不相同的。
第二章 遙感研究對象的特性 地理單元
地理綜合體是一個相對封閉的自然地段，它通過發生在內部的諸自然過程和地理組成成分的相互依存性而構成一個整體。其成分有同質與異質之分，所有高級地理綜合體，它們的異質程度隨等級升高和單元規模擴大而增大。地理綜合體從低級到高級單元，其內部相似性逐漸減少，而相互間差異性逐漸增大。1.反射（光學影像）
（1）典型目標波譜特性（水體，植被指數，紅邊藍移（不健康，病蟲害，氮碳壓迫）水體的發射特性 線顯示出近紅外的“陡坡”效應
水體比熱大，熱慣量相對大，對紅外波段幾乎全吸收，自身輻射率高。水體表面保持相對均一的溫度，紅外線找水的理論依據（2）高光譜 解決同物異譜、異物同譜 離散→連續
同譜異物：在某一個譜段區，兩個不同地物可能呈現相同的譜線特征；目視效果？ 同物異譜：可能同一個地物，處于不同狀態，如對太陽光相對角度不同，密度不同，含水量不同等等，呈現不同的譜線特征。2.發射（熱紅外影像）
（1）功能區&非功能區
（2）LST 地表溫度（連續）? 地面站點 地表空氣溫度（離散）3.主動（雷達影像）
在機載雷達圖像上，依據植物群聚的郁閉度和密度，以相對于地面高度等對雷達波后向散射的強弱造成的影像色調和影紋結構來識別其為何種群落。
（1）無顏色，有明暗（2）城市化（雷達VS光譜）時間特征: 一是自然變化過程，即其發生、發展和演化；
二是節律，既事物的發展在時間序列上表現出某種周期性重復的規律。時相變化：
遙感研究時相變化，主要反映在地物目標光譜特征隨時間的變化而變化上。處于不同生長期的作物，光譜特征不同，即光譜響應的時間效應，可以通過動態監測了解它的變化過程和變化范圍。
充分認識地物的時間變化特征以及光譜特征的時間效應，有利于確定識別目標的最佳時間，提高識別目標的能力。
第三章 遙感數據的物理屬性和成像性能 1.空間分辨率和比例尺（1）尺度&衛星、傳感器（2）解譯標志
遙感圖像量測性能：對地物細部和在其上的各個物體之間幾何關系的再現能力。真正對遙感圖像量測性能及其上地物細部的再現能力有決定性作用的是圖像的比例尺。對于遙感圖像而言，主要是數字圖像，決定其圖像量測性能及其上地物細部的再現能力的主要是幾何分辨率。
2.光學特性知識規則，訓練建模 光譜分辨率研究的重要作用：（1）開拓了遙感應用領域
從利用綜合波段記錄電磁波信息，到分波段分別記錄電磁波的強度，可以把地物波譜的微弱差異區分并記錄下來，使遙感應用范圍逐步擴大；（2）專題研究中波譜段的選擇針對性越來越強；（3）信息提取可以提高分析解譯效果。
對于復雜的目標進行分離提取或解譯時，往往不僅要利用其特征波段內的差異，還要利用各波段間的差異。
3.光譜標志可變性：物體本身的某些特性會影響著它們的光譜響應標志 用傳感器測得的光譜響應常能分辨出它們的類型和條件。依據是什么？反射光譜曲線和發射光譜曲線。
地物的光譜特性標志——對不同波長下的特定地面物體取得的自然輻射測定值。導致光譜響應標志是可變的！
導致光譜響應標志可變性的因素時間效應、空間效應和大氣的影響等。
由于光譜響應標志的可變性，需要參比數據。
獲取參比數據收集遙感待測目標、區域或現象的某些量測值或觀測值。這些數據可以從一個來源或數個來源取得。
4.輻射特性重要性
對于某一個波段的圖像，地物特征的識別主要依賴于它們的光譜響應及其變化。如地物的形狀與大小，仍然依賴于它的輻射特征與周圍物體的不同（即色調的變化）來反映。空間特征中的紋理結構，也是通過較小區域內光譜響應特征（色調）的變化頻率來反映。輻射特征與成像方式有關 5.熱輻射→土壤&水
地物的輻射功率與溫度和發射率成正比在熱紅外像片上其灰度 與輻射功率成函數關系高分熱影像的應用 6.雷達特性 反射&地物特性
地形起伏與反射強度的關系 各種表面的反射 7.時間特性
時間分辨率：不同傳感器的時間分辨率與目標的時間性關系作用 時間分辨率的作用
選擇最佳成像時間的決定因素；遙感動態應用方面的重要作用；利用時間差以提高遙感的成像率和解像率。數據庫更新的重要參考因素；利用遙感圖像解譯監測地面的動態變化。
第四章 遙感數據的信息性能 圖像的信息性能
圖像的一種能力，在可理解的形式中反映地物和現象的詳盡程度，這個詳盡程度是識別自然現象、識別地球物理成因、識別靜止和運動狀態中的自然和人工地物所必須的。
反映所傳遞的這些地面信息的質量和數量，將遙感圖像的成像能力、量測能力和信息容量等三個特性統一在一起。
1.不同形狀地物對識別概率曲線的影響（公式理解）
圖像分解力：在一mm長的圖像上能夠將絕對反差的線條分開成像的數量 圖像解像力：圖像上最小的、但還能分辨的地物尺寸。
圖像清晰度：表示傳遞地物形狀的能力，決定目視觀測中有效的放大極限。
簡單地物：2.復雜地物≠簡單地物概率加權和 3.場景識別概念方法
第五章 遙感圖像特征和解譯標志
1.解譯標志 ：遙感圖像光譜、輻射、空間和時間特征決定圖像的視覺效果、表現形式和計 算特點，并導致物體在圖像上的差別。
圖像解譯建立在研究地物性質、電磁波性質及影像特征三者的關系之上。主要從影像特征來判斷電磁波的性質，以確定地物的屬性，即從影像特征來識別地物。地物電磁波特征的差異在影像上的反映就是各種各樣的色、形信息。色：色調、顏色、陰影、反差； 形：形狀、大小、空間分布、紋理等。
解譯標志可區分如下：色調與色彩、形狀、尺寸、陰影、細部（圖案）、以及結構（紋理）等。
揭示標志在目視觀察時借以將物體彼此分開的被感知對象的典型特征。
包括形狀、尺寸、細部、光譜輻射特性、物體的陰影、位置、相互關系和人類活動的痕跡。揭示標志的等級決定于物體的性質、它們的相對位置及與周圍環境的相互作用等
解譯標志——揭示標志
由識別的觀點來看，解譯標志就是以遙感圖像的形式傳遞的揭示標志。
解譯標志是研究、比較和區分地物圖像的條件。這項工作的結果用于地物圖像的識別。但是在多數情況下，基于遙感圖像識別地物并作出決定時，似乎并不是利用解譯標志，而是利用揭示標志。
2.直接特征：對比度、亮度etc.直接約束
地物本身和它們的遙感圖像所固有的
間接特征： eg.非植被→陰影→房屋 缺點？優點？
3.各種特征 ①色調與色彩：
（1）可見光黑白圖像，地物的亮度和顏色都由色調來表達，即黑白深淺的程度。（2）可見光彩色圖像，表現為亮度(I)，色調(H)和飽和度(S)值。（3）非可見光遙感圖像，熱紅外圖像上色調差別是物體輻射溫度的差別；側視雷達圖像上色調差別是表示物體反射電磁波能量的大小；多光譜圖像對彩色物體的色調判讀，要按反射率的強弱與波長之間的關系來定。②形狀(輪廓）：形狀一般指物體或圖形由外部的面或線條組合而呈現的外表。③大小(尺寸)：圖像上地物的大小，與圖像的空間分辨率有關，地物本身的尺寸有關。④陰影:(1)可見光范圍內的陰影分為本影和落影；(2)熱紅外圖像上的陰影一般由溫度較低的地段所致。(3)對于雷達圖像而言，其盲區可產生陰影。
⑤ 圖案（細部):圖案指地物的某種組合，可以是同類地物的組合，也可以是不同類地物的組合，它與紋理的主要區別在于圖案重復出現。
⑥紋理（結構):紋理是由許多細小的地物的色調重復出現組合而成，是單一的細部特征的集合。
⑦地物關系:利用臨近區域的已知地物或現象的圖像，根據地學規律，對遙感圖像進行觀察，通過比較和“延伸”,從而對地物或現象進行辨認。
⑧位置與位置算子:位置是指地物所處環境在圖像上的反映，即圖像特定位置上目標(地物)與背景(環境)的關系。它對圖像解譯有間接的指引作用。
第一級是色調與色彩，第二級是形狀、尺寸、紋理，第三級是圖型、高度、陰影，第四級是變化、位置、關系。
紋理分析 有空間范圍、重復出現的
其一：依據它的圖像特征，主要從紋理的物理意義角度加以分析，包括紋理強度、紋理密度、紋理方向、紋理長度、紋理寬度等。
其二：將紋理的的圖像特征與它的地理意義相聯系。
灰度共生矩陣法：對圖像的所有像素進行統計調查，一邊描述其灰度分布的一種方法，此方法是圖像灰度的二介統計量，是一種對紋理的統計分析方法。
灰度共生矩陣：定義為從灰度為i的點和某個固定的位置（相距d,方向為?）的、灰度為 j的點——同時出現的概率。往往合適地選擇d，而?則取0，45，90，135度
GLCM紋理特征能夠有效的補充高分辨率影像的光譜信息，提高目標提取與分類的精度；若區域內像素群灰度值較平滑（同質性區域），則GLCM矩陣主對角線的元素的值會較大；如果該區域內像素的灰度是隨機分布的，則共生矩陣的所有元素呈現相似的頻率。
二次統計量：灰度共生矩陣并不能直接提供紋理信息（實際上可以，而且效果可能更好。。。）為了描述紋理的狀況，需要在灰度共生矩陣的基礎上再提取能綜合表現灰度共生矩陣狀況的紋理特征量，稱為二次統計量。
GLCM實施的幾個關鍵問題，包括（1）紋理測度的選擇，（2）分析窗口的大小（3）紋理計算的基影像
g.位置是指地物所處環境在圖像上的反映，即圖像特定位置上目標(地物)與背景(環境)的關系。它對圖像解譯有間接的指引作用。
4.地物關系 在遙感圖像解譯中，經常利用臨近區域的已知地物或現象的圖像，根據地學規律，對遙感圖像進行觀察，通過比較和“延伸”，從而對地物或現象進行辨認。這種方法的主要依據就是一種地物的存在常與其它一些地物的存在有關系，因而地物關系成為了一個間接的解譯標志。（高層 陰影房屋共生）4.解譯要素
5.永久性標志&臨時性標志：永久性標志是形狀、尺寸、結構（圖案）、位置和物體之間的聯系；臨時性的標志是細部、色調（顏色）、陰影和物體作用的痕跡。臨時性的標志與圖像特征的可變性和局限性有關。有多種因素可以導致同一地物或現象的圖像特征發生變化，主要包括空間環境變化、時間變化、地物本身的特性以及傳感器的性能。6.SAR的特征和標志
7.面向對象的識別（由像素到對象、柵格到矢量、離散到連續）8.多角度（角度→高度，加入解譯標志）獲取信息更為豐富。但是也有一定的難度。幾何糾正問題：分辨率不一致；局部形變不一樣 相同地物在不同的角度具有不同的灰度值。第六章 遙感圖像解譯方法
1.計算機輔助分類方法（什么方法提高精度）
分類：分類依據、使用特征、分類方法、提高精度的途徑和方法、不同應用目的對圖像的要
求、優缺點、注意問題
基于目標的信息提取：類層次結構以及提取信息的內容 基于模糊理論的信息提取
優點：利用隸屬度函數將分割獲取的圖像對象特征轉化為模糊值；不同特征之間可以組合，這樣的特征不需要是相同的特征；提供了明確的和可調整的特征描述；通過模糊運算和層次類型描述，能夠進行復雜的特征描述。
特征值模糊化
將一個確定值轉換成模糊值，對每個特征值轉換為一個隸屬度值，其范圍零到一。這個值的轉換由成員函數確定，成員函數的確定是模糊化特征值的關鍵。
2.分類器
最鄰近法：基于知識的分類，利用隸屬度函數。需要對每一個類分別定義樣本，并且在特征空間中比較未知目標和樣本之間的距離。
基于知識的分類：成員函數將特征模糊化[0，1]后，通過邏輯運算組合起來進行類賦值的計算。一般有兩種情況單個情況、多個情況的組合
分類的關鍵：特征的可選擇性以及可分離性。多尺度分割提供大量的特征，選擇最佳的有利于信息提取的特征是基于目標的分類的關鍵所在。
3.混淆矩陣
分類的精度指標：總體精度、Kappa 系數、混淆矩陣（可能性）、生產者（制造者）精度、用戶精度。
混淆矩陣（百分比）地表真實（百分比）顯示了每個地表真實分類中類分布的百分比。數值通過每個地表真實欄里的像元數除以一個給定地表真實類中的像元總數得到。OA(總體精度)總體精度由被正確分類的像元總和除以總像元數計算。地表真實圖像或地表真實感興趣區限定了像元的真正分類。被正確分類的像元沿著混淆矩陣的對角行分布，它顯示出被分類到正確地表真實分類的像元數。像元總數是所有參與地表真實分類的像元總和。
Kappa系數：所有地表真實分類中的像元總數(N)乘以混淆矩陣對角行的和，再減去一類中地表真實像元的總和與這一類中被分類的像元總數的積，再除以總的像元數的平方減去這一類中地表真實像元與這一類被分類的像元總數的積得到的。
制圖精度或生產者精度：是指分類器將整個影像的像元正確分為A類的像元數（對角線值）與A類真實參考總數（混淆矩陣中A類列的總和）的比率
用戶精度：是指正確分到A類的像元總數（對角線值）與分類器將整個影像的像元分為A類的像元總數（混淆矩陣中A類行的總和）比率
6.混合像元分解
混合像元：一個像元內僅包含一種地物，則這個像元稱為典型像元，該類地物稱為典型地物。一個像元內包含幾種地物，稱該像元為混合像元。
混合像元分解：如果每一混合像元能夠被分解而且它的覆蓋類型組分(端元組分)占像元的百分含量(豐度)能夠求得，分類將更精確，因混合像元的歸屬而產生的錯分、誤分問題也就迎刃而解，即混合像元分解。
分解像元光譜的關鍵問題：
與參考光譜進行匹配。光譜的差異表示像元中非目標地物的特征。
該特征通常用于從圖像像元中自動地挑選用于作為背景的像元（如裸土），并確定剔除背景的量。剩余像元光譜，如背景剔除后的作物光譜，與參考光譜比較，如果在指定的容差范圍內有匹配的光譜，則認為此像元包含感興趣地物。剔除的背景數量表明在當前像元中有多少感興趣地物。
特點：不能確定感興趣地物在像元中的位置，可以確定像元中是否包含感興趣地物以及包含的量。
線性光譜混合求解
假設：圖像中單一混合像元的光譜反應為各種純地物參考光譜的線性組合，利用已知的參考光譜可以求出一個混合像元內各參考光譜所占的比例。線性混合模式可以一個線性矩陣方程式來描述：
提高混合像元分解精度的可能性
最佳端元光譜的選擇，選擇最能代表影像的全部端元，達到增加了不同端元光譜差距的目的，提高分解精度。減小端元內部的變化。擴展傳統混合光譜分解模型。選擇性進行端元光譜的分解。
混合像元分解的具體步驟：端元提取、混合模型選取、混合像元分解
像元二分模型
假設1：像元只有兩部分構成，例如，有植被覆蓋的地表與無植被覆蓋的地表。
假設2：所得到的光譜信息也只有這兩個組分因子線性合成，它們各自的面積在像元中所占
的比率即為各因子的權重，其中植被覆蓋的地表占像元的百分比即為該像元的植被覆蓋度。
第五篇：圖像特征提取總結
數字圖像處理B
課程設計報告
常用的圖像特征：顏色特征、紋理特征、形狀特征、空間關系特征。一 顏色特征
特點：顏色特征是一種全局特征,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特征是基于像素點的特征，此時所有屬于圖像或圖像區域的像素都有各自的貢獻。由于顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。另外，僅使用顏色特征查詢時，如果數據庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特征的方法，其優點是不受圖像旋轉和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。
常用的特征提取與匹配方法：
（1）顏色直方圖
其優點在于：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在于：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。（2）顏色集
顏色直方圖法是一種全局顏色特征提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個柄。然后，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系（3）顏色矩
這種方法的數學基礎在于：圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。（4）顏色聚合向量
其核心思想是：將屬于直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所占據的連續區域的面積大于給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。（5）顏色相關圖 二 紋理特征
特點：紋理特征也是一種全局特征，它也描述了圖像或圖像區域所對應景物的表面性質。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內容的。與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特征具有較大的優越性，不會由于局部的偏差而無法匹配成功。作為一種統計特征，紋理特征常具有旋轉不變性，并且對于噪聲有較強的抵抗能力。但是，紋理特征也有其缺點，一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。
紋理特征描述方法分類
（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特征基礎上，通過實 驗，得出灰度共生矩陣的四個關鍵特征：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特征，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特征參數（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特征分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特征法和結構法。（3）模型法
模型法以圖像的構造模型為基礎，采用模型的參數作為紋理特征。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法
（4）信號處理法
紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關性四個參數。Tamura 紋理特征基于人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。三 形狀特征
特點：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基于形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特征僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特征所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特征空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由于視點的變化，可能會產生各種失真。
幾種典型的形狀特征描述方法：
（1）邊界特征法該方法通過對邊界特征的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關于邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。（2）傅里葉形狀描述符法
傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。（3）幾何參數法
形狀的表達和匹配采用更為簡單的區域特征描述方法，例如采用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基于形狀特征的圖像檢索。（4）形狀不變矩法
利用目標所占區域的矩作為形狀描述參數。（5）其它方法
近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。四 空間關系特征
特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，后一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。
空間關系特征的使用可加強對圖像內容的描述區分能力，但空間關系特征常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。為了檢索，除使用空間關系特征外，還需要其它特征來配合。常用的特征提取與匹配方法：
提取圖像空間關系特征可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然后根據這些區域提取圖像特征，并建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然后對每個圖像子塊提取特征，并建立索引。
顏色特征實現：
常用的特征提取與匹配方法（1）顏色直方圖
其優點在于：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在于：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。（2）顏色矩
這種方法的數學基礎在于：圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。
（3）顏色聚合向量
其核心思想是：將屬于直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所占據的連續區域的面積大于給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。實驗代碼：
o=imread('E:1.jpg');image_I=rgb2gray(o);[image_x,image_y]=size(image_I);if image_x
點擊咨詢 