第一篇：关于质心提取的若干图像处理问题的总结
关于质心提取的若干图像处理问题的总结
1.提取多个目标物的质心位置
>> I = imread('test.png');%加载图图像 I1 = im2bw(I);L = bwlabel(I1);%将I1转换为标记矩阵 stats = regionprops(L, 'Centroid');%求质心 imshow(I)hold on;for i = 1 : length(stats)
temp = stats(i).Centroid;
plot(temp(1), temp(2), 'r.');end
2提取一个车轮的中心
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提取两个车轮的中心，并计算他们之间的距离
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('两个车轮的距离为：',num2str(sd)));hold off
4.求两个同心圆的半径差 clear close all clc
RGB=imread('yuan.jpg');%读入图像 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('大圆')
message = sprintf('The estimated radius of small circle is %2.3f pixels', radius2);text(25,25,message,'Color','y','FontWeight','bold');title('小圆')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.求桃形物体最宽的部分的宽度
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：图像特征提取总结
图像常见特征提取方法简介
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
一、颜色特征
（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
（二）常用的特征提取与匹配方法（1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB颜色空间、HSV颜色空间。
颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2）颜色集
颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3）颜色矩
这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征
（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。
例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。
在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。
（二）常用的特征提取与匹配方法 纹理特征描述方法分类
（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法
所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法
模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法
纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。
灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三形状特征
（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。
（二）常用的特征提取与匹配方法 Ⅰ几种典型的形状特征描述方法
通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。几种典型的形状特征描述方法：
（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法
傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法
形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。
需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。（4）形状不变矩法
利用目标所占区域的矩作为形状描述参数。（5）其它方法近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。Ⅱ基于小波和相对矩的形状特征提取与匹配
该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。四空间关系特征
（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。
（二）常用的特征提取与匹配方法
提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。
第三篇：图像滤波总结
数字图像处理：各种变换滤波和噪声的类型和用途总结
一、基本的灰度变换函数 1.1.图像反转
适用场景：增强嵌入在一幅图像的暗区域中的白色或灰色细节，特别是当黑色的面积在尺寸上占主导地位的时候。
1.2.对数变换（反对数变换与其相反）
过程：将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值。用处：用来扩展图像中暗像素的值，同时压缩更高灰度级的值。特征：压缩像素值变化较大的图像的动态范围。
举例：处理傅里叶频谱，频谱中的低值往往观察不到，对数变换之后细节更加丰富。
1.3.幂律变换（又名：伽马变换）
过程：将窄范围的暗色输入值映射为较宽范围的输出值。
用处：伽马校正可以校正幂律响应现象，常用于在计算机屏幕上精确地显示图像，可进行对比度和可辨细节的加强。
1.4.分段线性变换函数
缺点：技术说明需要用户输入。优点：形式可以是任意复杂的。
1.4.1.对比度拉伸：扩展图像的动态范围。
1.4.2.灰度级分层：可以产生二值图像，研究造影剂的流动。1.4.3.比特平面分层：原图像中任意一个像素的值，都可以类似的由这些比特平面对应的二进制像素值来重建，可用于压缩图片。
1.5.直方图处理
1.5.1直方图均衡：增强对比度，补偿图像在视觉上难以区分灰度级的差别。作为自适应对比度增强工具，功能强大。
1.5.2直方图匹配（直方图规定化）：希望处理后的图像具有规定的直方图形状。在直方图均衡的基础上规定化，有利于解决像素集中于灰度级暗端的图像。
1.5.3局部直方图处理：用于增强小区域的细节，方法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数，可用于显示全局直方图均衡化不足以影响的细节的显示。1.5.4直方图统计：可用于图像增强，能够增强暗色区域同时尽可能的保留明亮区域不变，灵活性好。
二、基本的空间滤波器 2.1.平滑空间滤波器
2.1.1平滑线性滤波器（均值滤波器）
输出：包含在滤波器模板邻域内的像素的简单平均值，用邻域内的平均灰度替代了图像中每个像素的值，是一种低通滤波器。结果：降低图像灰度的尖锐变化。
应用：降低噪声，去除图像中的不相关细节。负面效应：边缘模糊。
2.1.2统计排序滤波器（非线性滤波器）举例：中值滤波器。过程：以滤波器包围的图像区域中所包含图像的排序为基础，然后使用统计排序结果决定的值取代中心区域的值。
用处：中值滤波器可以很好的解决椒盐噪声，也就是脉冲噪声。
2.2.锐化空间滤波器
2.2.1拉普拉斯算子（二阶微分）
作用：强调灰度的突变，可以增强图像的细节。
2.2.2非锐化掩蔽和高提升滤波
原理：原图像中减去一幅非锐化（平滑处理）的版本。背景：印刷和出版界使用多年的图像锐化处理。
高提升滤波：原图减去模糊图的结果为模板，输出图像等于原图加上加权后的模板，当权重为1得到非锐化掩蔽，当权重大于1成为高提升滤波。
2.2.3梯度锐化（一阶微分对）
含义：梯度指出了在该位置的最大变化率的方向。
用处：工业检测，辅助人工检测产品的缺陷，自动检测的预处理。
三、基本的频率滤波器 3.1.1理想低（高）通滤波器 特性：振铃现象，实际无法实现。
用处：并不实用，但是研究滤波器的特性很有用。
3.1.2布特沃斯低（高）通滤波器
特点：没有振铃现象，归功于在低频和高频之间的平滑过渡，二阶的布特沃斯低通滤波器是很好的选择。
效果：比理想低（高）通滤波器更平滑，边缘失真小。截止频率越大，失真越平滑。
3.1.3高斯低（高）通滤波器 特点：没有振铃。
用处：任何类型的人工缺陷都不可接受的情况（医学成像）。
3.1.4钝化模板，高提升滤波，高频强调滤波 用处：X射线，先高频强调，然后直方图均衡。
3.1.5同态滤波
原理：图像分为照射分量和反射分量的乘积。
用处：增强图像，锐化图像的反射分量（边缘信息），例如PET扫描。
3.1.6选择性滤波
3.1.6.1带阻滤波器和带通滤波器。作用：处理制定频段和矩形区域的小区域。
3.1.6.2陷阱滤波器
原理：拒绝或通过事先定义的关于频率矩形中心的一邻域。应用：选择性的修改离散傅里叶变换的局部区域。
优点：直接对DFT处理，而不需要填充。交互式的处理，不会导致缠绕错误。用途：解决莫尔波纹。
四、重要的噪声概率密度函数 4.1.高斯噪声
特点：在数学上的易处理性。
4.2瑞利噪声
特点：基本形状向右变形，适用于近似歪斜的直方图。
4.3爱尔兰（伽马）噪声
特点：密度分布函数的分母为伽马函数。
4.4指数噪声
特点：密度分布遵循指数函数。
4.5均匀噪声 特点：密度均匀。
4.6脉冲噪声（双极脉冲噪声又名椒盐噪声）
特点：唯一一种引起退化，视觉上可以区分的噪声类型。
五、空间滤波器还原噪声 5.1均值滤波器 5.1.1算术均值滤波器
结果：模糊了结果，降低了噪声。适用：高斯或均匀随机噪声。5.1.2几何均值滤波器
结果：和算术均值滤波器相比，丢失的图像细节更少。适用：更适用高斯或均匀随机噪声。
5.1.3谐波均值滤波器
结果：对于盐粒噪声（白色）效果较好，但不适用于胡椒噪声（黑色），善于处理高斯噪声那样的其他噪声。
5.1.4逆谐波均值滤波器
结果：适合减少或在实际中消除椒盐噪声的影响，当Q值为正的时候消除胡椒噪声，当Q值为负的时候该滤波器消除盐粒噪声。但不能同时消除这两种噪声。适用：脉冲噪声。
缺点：必须知道噪声是明噪声还是暗噪声。
5.2统计排序滤波器 5.2.1中值滤波器
适用：存在单极或双极脉冲噪声的情况。
5.2.2最大值滤波器
作用：发现图像中的最亮点，可以降低胡椒噪声。
5.2.2最小值滤波器
作用：对最暗点有用，可以降低盐粒噪声。
5.2.3中点滤波器
作用：结合统计排序和求平均，对于随机分布噪声工作的很好，如高斯噪声或均匀噪声。5.2.4修正的阿尔法均值滤波器
作用：在包括多种噪声的情况下很有用，例如高斯噪声和椒盐噪声混合。
5.3自适应滤波器
5.3.1自适应局部降低噪声滤波器
作用：防止由于缺乏图像噪声方差知识而产生的无意义结果，适用均值和方差确定的加性高斯噪声。
5.3.1自适应中值滤波器
作用：处理更大概率的脉冲噪声，同时平滑非脉冲噪声时保留细节，减少诸如物体边界粗化或细化等失真。
5.4频率域滤波器消除周期噪声 5.4.1带阻滤波器
应用：在频率域噪声分量的一般位置近似已知的应用中消除噪声
5.4.2带通滤波器
注意：不能直接在一张图片上使用带通滤波器，那样会消除太多的图像细节。用处：屏蔽选中频段导致的结果，帮助屏蔽噪声模式。
5.4.3陷阱滤波器
原理：阻止事先定义的中心频率的邻域内的频率。作用：消除周期性噪声。
5.4.4最佳陷阱滤波
作用：解决存在多种干扰分量的情况。
第四篇：图像解译复习总结
名词解释（40‘）简答（4*10’）综合（20‘）第一章
1.遥感提供哪些信息？可以用来干什么？ 空间、属性、变化
现状（卫星视频，选址，石油储备，难民，城市etc）2.技术流程
**地物信息的传递过程涉及的环节
3.解译方法（分类器）
遥感图像解译的任务与实施 目的：
信息提取：地表覆盖土地利用类别提取地物各组成部分和存在于其它地物的内涵的信息、相关信息。
方法：从遥感图像上提取地物信息所需要的的基础理论和实践方法。
4.众源（VGI）雷达、光学、GIS、历史产品、POI 遥感技术发展，导致数据的迅速积累，为多种来源的信息进行复合处理和综合分析提供可能，同时还促使建立起全面收集、整理和检索这些数据的空间数据库及管理系统，建立一些地学分析模型、计量分析模型或进行其它相关研究与综合分析。
空间尺度
尺度是指观测和描述物体、结构和过程的空间维。从地理学的角度 p135 空间异质性(尺度是空间异质性的量度单位)指某个变量在空间上分布的不均匀性及复杂程度，是自然现象固有的属性。空间异质性的程度不仅取决于自然现象的本身，也依赖于测量尺度大小
遥感图像尺度
根据应用目的和要求不同，每个传感器具有不同的特性，即不同的遥感平台和传感器所获得的图像的空间分辨率、光谱分辨率、辐射分辨率和时间分辨率是不相同的。
第二章 遥感研究对象的特性 地理单元
地理综合体是一个相对封闭的自然地段，它通过发生在内部的诸自然过程和地理组成成分的相互依存性而构成一个整体。其成分有同质与异质之分，所有高级地理综合体，它们的异质程度随等级升高和单元规模扩大而增大。地理综合体从低级到高级单元，其内部相似性逐渐减少，而相互间差异性逐渐增大。1.反射（光学影像）
（1）典型目标波谱特性（水体，植被指数，红边蓝移（不健康，病虫害，氮碳压迫）水体的发射特性 线显示出近红外的“陡坡”效应
水体比热大，热惯量相对大，对红外波段几乎全吸收，自身辐射率高。水体表面保持相对均一的温度，红外线找水的理论依据（2）高光谱 解决同物异谱、异物同谱 离散→连续
同谱异物：在某一个谱段区，两个不同地物可能呈现相同的谱线特征；目视效果？ 同物异谱：可能同一个地物，处于不同状态，如对太阳光相对角度不同，密度不同，含水量不同等等，呈现不同的谱线特征。2.发射（热红外影像）
（1）功能区&非功能区
（2）LST 地表温度（连续）⇿ 地面站点 地表空气温度（离散）3.主动（雷达影像）
在机载雷达图像上，依据植物群聚的郁闭度和密度，以相对于地面高度等对雷达波后向散射的强弱造成的影像色调和影纹结构来识别其为何种群落。
（1）无颜色，有明暗（2）城市化（雷达VS光谱）时间特征: 一是自然变化过程，即其发生、发展和演化；
二是节律，既事物的发展在时间序列上表现出某种周期性重复的规律。时相变化：
遥感研究时相变化，主要反映在地物目标光谱特征随时间的变化而变化上。处于不同生长期的作物，光谱特征不同，即光谱响应的时间效应，可以通过动态监测了解它的变化过程和变化范围。
充分认识地物的时间变化特征以及光谱特征的时间效应，有利于确定识别目标的最佳时间，提高识别目标的能力。
第三章 遥感数据的物理属性和成像性能 1.空间分辨率和比例尺（1）尺度&卫星、传感器（2）解译标志
遥感图像量测性能：对地物细部和在其上的各个物体之间几何关系的再现能力。真正对遥感图像量测性能及其上地物细部的再现能力有决定性作用的是图像的比例尺。对于遥感图像而言，主要是数字图像，决定其图像量测性能及其上地物细部的再现能力的主要是几何分辨率。
2.光学特性知识规则，训练建模 光谱分辨率研究的重要作用：（1）开拓了遥感应用领域
从利用综合波段记录电磁波信息，到分波段分别记录电磁波的强度，可以把地物波谱的微弱差异区分并记录下来，使遥感应用范围逐步扩大；（2）专题研究中波谱段的选择针对性越来越强；（3）信息提取可以提高分析解译效果。
对于复杂的目标进行分离提取或解译时，往往不仅要利用其特征波段内的差异，还要利用各波段间的差异。
3.光谱标志可变性：物体本身的某些特性会影响着它们的光谱响应标志 用传感器测得的光谱响应常能分辨出它们的类型和条件。依据是什么？反射光谱曲线和发射光谱曲线。
地物的光谱特性标志——对不同波长下的特定地面物体取得的自然辐射测定值。导致光谱响应标志是可变的！
导致光谱响应标志可变性的因素时间效应、空间效应和大气的影响等。
由于光谱响应标志的可变性，需要参比数据。
获取参比数据收集遥感待测目标、区域或现象的某些量测值或观测值。这些数据可以从一个来源或数个来源取得。
4.辐射特性重要性
对于某一个波段的图像，地物特征的识别主要依赖于它们的光谱响应及其变化。如地物的形状与大小，仍然依赖于它的辐射特征与周围物体的不同（即色调的变化）来反映。空间特征中的纹理结构，也是通过较小区域内光谱响应特征（色调）的变化频率来反映。辐射特征与成像方式有关 5.热辐射→土壤&水
地物的辐射功率与温度和发射率成正比在热红外像片上其灰度 与辐射功率成函数关系高分热影像的应用 6.雷达特性 反射&地物特性
地形起伏与反射强度的关系 各种表面的反射 7.时间特性
时间分辨率：不同传感器的时间分辨率与目标的时间性关系作用 时间分辨率的作用
选择最佳成像时间的决定因素；遥感动态应用方面的重要作用；利用时间差以提高遥感的成像率和解像率。数据库更新的重要参考因素；利用遥感图像解译监测地面的动态变化。
第四章 遥感数据的信息性能 图像的信息性能
图像的一种能力，在可理解的形式中反映地物和现象的详尽程度，这个详尽程度是识别自然现象、识别地球物理成因、识别静止和运动状态中的自然和人工地物所必须的。
反映所传递的这些地面信息的质量和数量，将遥感图像的成像能力、量测能力和信息容量等三个特性统一在一起。
1.不同形状地物对识别概率曲线的影响（公式理解）
图像分解力：在一mm长的图像上能够将绝对反差的线条分开成像的数量 图像解像力：图像上最小的、但还能分辨的地物尺寸。
图像清晰度：表示传递地物形状的能力，决定目视观测中有效的放大极限。
简单地物：2.复杂地物≠简单地物概率加权和 3.场景识别概念方法
第五章 遥感图像特征和解译标志
1.解译标志 ：遥感图像光谱、辐射、空间和时间特征决定图像的视觉效果、表现形式和计 算特点，并导致物体在图像上的差别。
图像解译建立在研究地物性质、电磁波性质及影像特征三者的关系之上。主要从影像特征来判断电磁波的性质，以确定地物的属性，即从影像特征来识别地物。地物电磁波特征的差异在影像上的反映就是各种各样的色、形信息。色：色调、颜色、阴影、反差； 形：形状、大小、空间分布、纹理等。
解译标志可区分如下：色调与色彩、形状、尺寸、阴影、细部（图案）、以及结构（纹理）等。
揭示标志在目视观察时借以将物体彼此分开的被感知对象的典型特征。
包括形状、尺寸、细部、光谱辐射特性、物体的阴影、位置、相互关系和人类活动的痕迹。揭示标志的等级决定于物体的性质、它们的相对位置及与周围环境的相互作用等
解译标志——揭示标志
由识别的观点来看，解译标志就是以遥感图像的形式传递的揭示标志。
解译标志是研究、比较和区分地物图像的条件。这项工作的结果用于地物图像的识别。但是在多数情况下，基于遥感图像识别地物并作出决定时，似乎并不是利用解译标志，而是利用揭示标志。
2.直接特征：对比度、亮度etc.直接约束
地物本身和它们的遥感图像所固有的
间接特征： eg.非植被→阴影→房屋 缺点？优点？
3.各种特征 ①色调与色彩：
（1）可见光黑白图像，地物的亮度和颜色都由色调来表达，即黑白深浅的程度。（2）可见光彩色图像，表现为亮度(I)，色调(H)和饱和度(S)值。（3）非可见光遥感图像，热红外图像上色调差别是物体辐射温度的差别；侧视雷达图像上色调差别是表示物体反射电磁波能量的大小；多光谱图像对彩色物体的色调判读，要按反射率的强弱与波长之间的关系来定。②形状(轮廓）：形状一般指物体或图形由外部的面或线条组合而呈现的外表。③大小(尺寸)：图像上地物的大小，与图像的空间分辨率有关，地物本身的尺寸有关。④阴影:(1)可见光范围内的阴影分为本影和落影；(2)热红外图像上的阴影一般由温度较低的地段所致。(3)对于雷达图像而言，其盲区可产生阴影。
⑤ 图案（细部):图案指地物的某种组合，可以是同类地物的组合，也可以是不同类地物的组合，它与纹理的主要区别在于图案重复出现。
⑥纹理（结构):纹理是由许多细小的地物的色调重复出现组合而成，是单一的细部特征的集合。
⑦地物关系:利用临近区域的已知地物或现象的图像，根据地学规律，对遥感图像进行观察，通过比较和“延伸”,从而对地物或现象进行辨认。
⑧位置与位置算子:位置是指地物所处环境在图像上的反映，即图像特定位置上目标(地物)与背景(环境)的关系。它对图像解译有间接的指引作用。
第一级是色调与色彩，第二级是形状、尺寸、纹理，第三级是图型、高度、阴影，第四级是变化、位置、关系。
纹理分析 有空间范围、重复出现的
其一：依据它的图像特征，主要从纹理的物理意义角度加以分析，包括纹理强度、纹理密度、纹理方向、纹理长度、纹理宽度等。
其二：将纹理的的图像特征与它的地理意义相联系。
灰度共生矩阵法：对图像的所有像素进行统计调查，一边描述其灰度分布的一种方法，此方法是图像灰度的二介统计量，是一种对纹理的统计分析方法。
灰度共生矩阵：定义为从灰度为i的点和某个固定的位置（相距d,方向为）的、灰度为 j的点——同时出现的概率。往往合适地选择d，而则取0，45，90，135度
GLCM纹理特征能够有效的补充高分辨率影像的光谱信息，提高目标提取与分类的精度；若区域内像素群灰度值较平滑（同质性区域），则GLCM矩阵主对角线的元素的值会较大；如果该区域内像素的灰度是随机分布的，则共生矩阵的所有元素呈现相似的频率。
二次统计量：灰度共生矩阵并不能直接提供纹理信息（实际上可以，而且效果可能更好。。。）为了描述纹理的状况，需要在灰度共生矩阵的基础上再提取能综合表现灰度共生矩阵状况的纹理特征量，称为二次统计量。
GLCM实施的几个关键问题，包括（1）纹理测度的选择，（2）分析窗口的大小（3）纹理计算的基影像
g.位置是指地物所处环境在图像上的反映，即图像特定位置上目标(地物)与背景(环境)的关系。它对图像解译有间接的指引作用。
4.地物关系 在遥感图像解译中，经常利用临近区域的已知地物或现象的图像，根据地学规律，对遥感图像进行观察，通过比较和“延伸”，从而对地物或现象进行辨认。这种方法的主要依据就是一种地物的存在常与其它一些地物的存在有关系，因而地物关系成为了一个间接的解译标志。（高层 阴影房屋共生）4.解译要素
5.永久性标志&临时性标志：永久性标志是形状、尺寸、结构（图案）、位置和物体之间的联系；临时性的标志是细部、色调（颜色）、阴影和物体作用的痕迹。临时性的标志与图像特征的可变性和局限性有关。有多种因素可以导致同一地物或现象的图像特征发生变化，主要包括空间环境变化、时间变化、地物本身的特性以及传感器的性能。6.SAR的特征和标志
7.面向对象的识别（由像素到对象、栅格到矢量、离散到连续）8.多角度（角度→高度，加入解译标志）获取信息更为丰富。但是也有一定的难度。几何纠正问题：分辨率不一致；局部形变不一样 相同地物在不同的角度具有不同的灰度值。第六章 遥感图像解译方法
1.计算机辅助分类方法（什么方法提高精度）
分类：分类依据、使用特征、分类方法、提高精度的途径和方法、不同应用目的对图像的要
求、优缺点、注意问题
基于目标的信息提取：类层次结构以及提取信息的内容 基于模糊理论的信息提取
优点：利用隶属度函数将分割获取的图像对象特征转化为模糊值；不同特征之间可以组合，这样的特征不需要是相同的特征；提供了明确的和可调整的特征描述；通过模糊运算和层次类型描述，能够进行复杂的特征描述。
特征值模糊化
将一个确定值转换成模糊值，对每个特征值转换为一个隶属度值，其范围零到一。这个值的转换由成员函数确定，成员函数的确定是模糊化特征值的关键。
2.分类器
最邻近法：基于知识的分类，利用隶属度函数。需要对每一个类分别定义样本，并且在特征空间中比较未知目标和样本之间的距离。
基于知识的分类：成员函数将特征模糊化[0，1]后，通过逻辑运算组合起来进行类赋值的计算。一般有两种情况单个情况、多个情况的组合
分类的关键：特征的可选择性以及可分离性。多尺度分割提供大量的特征，选择最佳的有利于信息提取的特征是基于目标的分类的关键所在。
3.混淆矩阵
分类的精度指标：总体精度、Kappa 系数、混淆矩阵（可能性）、生产者（制造者）精度、用户精度。
混淆矩阵（百分比）地表真实（百分比）显示了每个地表真实分类中类分布的百分比。数值通过每个地表真实栏里的像元数除以一个给定地表真实类中的像元总数得到。OA(总体精度)总体精度由被正确分类的像元总和除以总像元数计算。地表真实图像或地表真实感兴趣区限定了像元的真正分类。被正确分类的像元沿着混淆矩阵的对角行分布，它显示出被分类到正确地表真实分类的像元数。像元总数是所有参与地表真实分类的像元总和。
Kappa系数：所有地表真实分类中的像元总数(N)乘以混淆矩阵对角行的和，再减去一类中地表真实像元的总和与这一类中被分类的像元总数的积，再除以总的像元数的平方减去这一类中地表真实像元与这一类被分类的像元总数的积得到的。
制图精度或生产者精度：是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率
用户精度：是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率
6.混合像元分解
混合像元：一个像元内仅包含一种地物，则这个像元称为典型像元，该类地物称为典型地物。一个像元内包含几种地物，称该像元为混合像元。
混合像元分解：如果每一混合像元能够被分解而且它的覆盖类型组分(端元组分)占像元的百分含量(丰度)能够求得，分类将更精确，因混合像元的归属而产生的错分、误分问题也就迎刃而解，即混合像元分解。
分解像元光谱的关键问题：
与参考光谱进行匹配。光谱的差异表示像元中非目标地物的特征。
该特征通常用于从图像像元中自动地挑选用于作为背景的像元（如裸土），并确定剔除背景的量。剩余像元光谱，如背景剔除后的作物光谱，与参考光谱比较，如果在指定的容差范围内有匹配的光谱，则认为此像元包含感兴趣地物。剔除的背景数量表明在当前像元中有多少感兴趣地物。
特点：不能确定感兴趣地物在像元中的位置，可以确定像元中是否包含感兴趣地物以及包含的量。
线性光谱混合求解
假设：图像中单一混合像元的光谱反应为各种纯地物参考光谱的线性组合，利用已知的参考光谱可以求出一个混合像元内各参考光谱所占的比例。线性混合模式可以一个线性矩阵方程式來描述：
提高混合像元分解精度的可能性
最佳端元光谱的选择，选择最能代表影像的全部端元，达到增加了不同端元光谱差距的目的，提高分解精度。减小端元内部的变化。扩展传统混合光谱分解模型。选择性进行端元光谱的分解。
混合像元分解的具体步骤：端元提取、混合模型选取、混合像元分解
像元二分模型
假设1：像元只有两部分构成，例如，有植被覆盖的地表与无植被覆盖的地表。
假设2：所得到的光谱信息也只有这两个组分因子线性合成，它们各自的面积在像元中所占
的比率即为各因子的权重，其中植被覆盖的地表占像元的百分比即为该像元的植被覆盖度。
第五篇：图像特征提取总结
数字图像处理B
课程设计报告
常用的图像特征：颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征
特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
常用的特征提取与匹配方法：
（1）颜色直方图
其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。（2）颜色集
颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3）颜色矩
这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量
其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二 纹理特征
特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。
纹理特征描述方法分类
（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实 验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法
所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法
模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法
（4）信号处理法
纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。
灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三 形状特征
特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。
几种典型的形状特征描述方法：
（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法
傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法
形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。（4）形状不变矩法
利用目标所占区域的矩作为形状描述参数。（5）其它方法
近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。四 空间关系特征
特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。
空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。常用的特征提取与匹配方法：
提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。
颜色特征实现：
常用的特征提取与匹配方法（1）颜色直方图
其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB颜色空间、HSV颜色空间。
颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2）颜色矩
这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。
（3）颜色聚合向量
其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。实验代码：
o=imread('E:1.jpg');image_I=rgb2gray(o);[image_x,image_y]=size(image_I);if image_x
点击咨询 