一种基于V-GLCM的高光谱影像纹理分析方法技术

本发明专利技术公开了一种基于V-GLCM的高光谱影像纹理分析方法，包括以下步骤：选择需进行纹理分析的高光谱影像数据；对原始影像进行灰阶范围变换，将灰度值归一化到一定范围；选择合适的移动立方体窗口大小和角度参数，以移动立方体内部的统计指标信息作为立方体中心像元的纹理特征，并利用移动立方体窗口中像元对关系建立共生矩阵；对已经建立的共生矩阵进行指标量化统计，回填至当前移动窗口中心位置，即取代该位置的像元的纹理特征；不断移动该立方体窗口，对整个影像进行纹理计算和提取，得到V-GLCM纹理影像。本发明专利技术方法提取的影像纹理考虑了高光谱影像相邻波段之间的关系，含有近邻波段的纹理特性，更能充分体现高光谱数据的特有性质。

【技术实现步骤摘要】
—种基于V-GLCM的高光谱影像纹理分析方法
本专利技术属于高光谱遥感图像处理
，具体涉及一种基于V-GLCM(体灰度共生矩阵，Volume Gray Level Co-occurrence Matrix)的高光谱影像纹理分析方法。
技术介绍
高光谱遥感(Hyperspectral Remote Sensing)是指利用很多窄的电磁波波段获取物体有关数据的技术，它是20世纪最后20年人类在对地观测方面取得的重大技术突破之一，也是当前及今后几十年内的遥感前沿技术。与常规多光谱遥感相比，高光谱数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图谱一体化等特征。但正是其海量数据和高维特征给高光谱数据的传输和存储都带来了较大的困难，同时也对传统的遥感图像数据处理技术提出了新的挑战。所以，对高光谱数据的快速处理和充分挖掘一直是困扰人们的一个问题。面对高光谱数十、数百个波段的数据，在提高数据处理效率的同时；如何有效利用、提取、分析感兴趣的最大信息，已成为有待研究的新课题。纹理是影像中的重要特征，有效地利用这些特征可以进一步推动影像解译的自动化，纹理分析可以帮助抑制异物同谱、同物异谱现象的发生。同时，对于空间关系复杂、光谱混合现象严重的高光谱影像，结合空间属性进行分类研究，可以有效地进一步提高分类精度。因此对高光谱影像纹理的研究，不仅可以深化高光谱影像纹理研究的理论水平，而且可以有效提高高光谱影像的分类精度，进一步推动高光谱遥感的广泛应用，这对于高光谱遥感的发展具有重要的理论和现实意义。对于纹理的描述和分析方法，国内外已进行了十分深入的研究，如舒宁等先后对多光谱和高光谱影像的纹理问题进行了深入探讨和分析，提出纹理是地物目标光谱空间到二维投影空间的映射模式的新概念，并就建立以像斑分析为基础的遥感影像分析方法体系等进行了讨论。目前图像纹理研究的主要方法可以分为结构法、统计法、模型法和数学变换法等。统计分析法可以描述纹理的数字特征，并用这些特征或结合其他非纹理特征对影像进行分类，该方法主要包括灰度直方图、灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)和灰度游程长度法等，其中GLCM应用最为广泛。早在1973年，Haralick 等就基于图像灰度在方向、相邻间隔、变化幅度等方面的特点，提出了能够有效描述纹理的GLCM算法，并设计了 14个特征指标，其中最常用的有对比度(惯性矩，Contrast),熵 (Entropy)，角二阶矩(能量，Angular Second Moment)，局部平稳(Homogeneity)，以及相异性(Dissimilarity)、均值(Mean)、方差(Variance)、相关(Correlation)等 9 种。该算法自问世以来得到了广泛的应用并衍生了许多改进算法，大多数纹理分析对比文献都认为灰度共生矩阵的效果最好，但是该方法局限于单波段的图像。统计分析方法以一阶、二阶或较高阶统计得到影像的纹理特征，虽然迎合了影像纹理在统计上具有一定的意义的前提， 但基本上都是从单一尺度上提取纹理，反映不出不同尺度上的特征，事实上纹理特性的一个主要方面就是尺度特征。传统的GLCM纹理分析，在处理高光谱遥感影像时均是对各个波段独立进行纹理分析，缺乏对相邻波段之间纹理依存关系的考虑。在高光谱数据立方体内，由于高光谱影像相邻波段间存在着高度的相关性，在进行纹理特征提取时如果加入相邻波段综合考虑，可能得到信息更为丰富的纹理影像。在遥感图像中，纹理是指目标地物内部色调有规则变化造成的影像结构，是区别地物属性和目标解译的重要依据。多/高光谱影像是地物光谱信息的表达，影像上每一像元的若干波段的灰度数据是地物反射或辐射光谱信息数据的集合(也叫光谱矢量)，单波段影像数据则可以认为是该光谱矢量的特殊表现，即分量个数为I时的光谱矢量。每个光谱矢量在光谱空间中都有一个特定位置，可以认为是其中的一点；不同地物的光谱矢量在光谱空间中的位置是不同的，相同类型地物的光谱矢量在光谱空间中位置相同或非常接近。在考虑影像纹理时，人们往往在二维空间上观察影像的灰度或色彩元素排列、分布情况，而二维空间则是由一张像片或计算机显示屏幕上的影像所形成的，是各种像元分布的二维平面。几乎所有的纹理概念和纹理分析的方法都出于这样一个二维平面。既然在这个平面上所有像元的信息都是地物目标光谱信息或光谱矢量的表现形式，那么，所谓纹理就是光谱空间中地物目标光谱矢量在地物分布二维空间上的重新排列，或具有某种意义上的分布。这样，纹理就是地物光谱空间中的点到地物分布二维空间的一种“映射模式”，不同的映射模式就是不同的纹理。应当指出，该二维空间一般是指具体的影像所反映的实际地物目标及其所处的环境或背景的二维空间，是一个局部的地物空间。但进行纹理分析所面对的二维空间并非实际的地物空间，而是该二维空间的投影，或实际地物二维分布的投影空间。通过上述分析，可以给出纹理的定义影像纹理是地物(或其他目标)在光谱空间中的不同表征点到地物分布二维投影空间的映射模式，不同的映射模式(即通常理解中的排列)构成了纹理。这种映射是多对多的复杂映射。在光谱空间中，地物的表征点一般都是多个点，其中每一个点在地物目标二维分布投影空间中都有许多点与之对应。以上纹理的概念解决了纹理从单波段到多波段的映射问题，但是难以应用于具体的数学分析，如何从几何分析的角度处理高光谱影像纹理依然是一个挑战性问题。
技术实现思路
专利技术目的针对上述现有技术存在的问题和不足，本专利技术的目的是提供一种基于 V-GLCM(体灰度共生矩阵,Volume Gray Level Co-occurrence Matrix)的高光谱影像纹理分析方法，将GLCM (灰度共生矩阵)扩展到三维立方体空间，提取的影像纹理考虑了高光谱影像相邻波段之间的关系，含有近邻波段的纹理特性，更能充分体现高光谱数据的特有性质。技术方案为实现上述专利技术目的，本专利技术采用的技术方案为一种基于V-GLCM的高光谱影像纹理分析方法，包括如下步骤步骤I，选择需进行纹理分析的高光谱遥感影像数据；步骤2，对所述步骤I中的影像数据进行灰阶范围变换，将灰度值归一化到0-255 的范围；步骤3，选择合适大小的移动立方体窗口和角度参数，以移动立方体内部的统计指标信息作为立方体中心像元的纹理特征，并利用移动立方体窗口中像元对关系建立共生矩阵；步骤4，对已经建立的共生矩阵进行指标量化统计，并回填至当前移动窗口中心位置，代表该位置的像元的纹理特征；步骤5，不断移动该立方体窗口，对整个影像进行纹理计算和提取，得到V-GLCM纹理影像。进一步地，所述步骤3中移动立方体窗口的大小采用半变异函数计算权利要求1.一种基于V-GLCM的高光谱影像纹理分析方法，其特征在于，包括如下步骤步骤1， 选择需进行纹理分析的高光谱遥感影像数据；步骤2，对所述步骤I中的影像数据进行灰阶范围变换，将灰度值归一化到0-255的范围；步骤3，选择合适大小的移动立方体窗口和角度参数，以移动立方体内部的统计指标信息作为立方体中心像元的纹理特征，并利用移动立方体窗口中像元对关系建立共生矩阵； 步骤4，对已经建立的共生矩阵进行指标量化统计，并回填至当前移动窗口中心位置， 代表该本文档来自技高网...

【技术保护点】
一种基于V？GLCM的高光谱影像纹理分析方法，其特征在于，包括如下步骤：步骤1，选择需进行纹理分析的高光谱遥感影像数据；步骤2，对所述步骤1中的影像数据进行灰阶范围变换，将灰度值归一化到0？255的范围；步骤3，选择合适大小的移动立方体窗口和角度参数，以移动立方体内部的统计指标信息作为立方体中心像元的纹理特征，并利用移动立方体窗口中像元对关系建立共生矩阵；步骤4，对已经建立的共生矩阵进行指标量化统计，并回填至当前移动窗口中心位置，代表该位置的像元的纹理特征；步骤5，不断移动该立方体窗口，对整个影像进行纹理计算和提取，得到V？GLCM纹理影像。

【技术特征摘要】

【专利技术属性】
技术研发人员：苏红军，
申请(专利权)人：河海大学，
类型：发明
国别省市：