摘要
遥感技术不断提高，森林遥感图像所含信息越来越多，仅用光谱信息无法将其区分开，而用纹理特征分析对于在图像的识别起着非常重要的作用，因此遥感影像的纹理分析已经成为一种重要的提高遥感影像分类精度的手段。本文以森林遥感图片为研究对象，学习纹理分析的不同方法，选择合适且简单的方法对森林遥感图像进行纹理分析。首先，针对森林遥感图像的特点并结合现行纹理分析的不同方法，选择适于描述森林纹理的灰度共生矩阵方法，并在此基础上提取纹理特征参数。其次，对图像进行平滑，选择一个均值模版让图像各点间的距离更加接近使图像平滑。最后，利用k-means算法让平滑后的图像结合提取的特征值对图像各点进行聚类分析，把相近的的点归在一起。本论文的算法用MATLAB来实现，实验结果表明该论文所用的分析方法对森林遥感图像的纹理分析具有一定的可靠性。
关键词：森林遥感图片；纹理分析；灰度共生矩阵；纹理特征值；k-means算法；聚类分析
Abstract
Constantly has remote sensing technology improved, forest remote sensing image which contains more information. It is impossible to separate it only with spectral information, whereas texture analysis plays a important role in identification of image. Consequently texture analysis of remote sensing image has become a critical approach on improving classification accuracy of remote sensing image. The paper, consider forest remote sensing image as a study object and learn the different methods of texture analysis, choosing a suitable and simple method to analyze texture of forest sensing image. First of all, select the gray level co-occurrence matrix approach which is suitable to describe texture of forest through combining the characteristics of forest remote sensing image with the existing methods of texture analysis. And get the texture eigenvalue based on it. Secondly, smooth the image. Select a average mask for the image to smooth it by closing the distance between points within the image. Finally, in the use of the k-means algorithm cluster-analyzes image by combining the image smoothed and the eigenvalue extracted .Get the similar part together. The algorithm of the paper is implemented by MATLAB, and the result indicates that analysis method which is used in this paper has certain reliability on texture analysis of remote sensing image.
Keywords：forest remote sensing image; texture analysis; gray level co-occurrence matrix ;texture eigenvalue; k-means arithmetic; cluster-analyze
研究意义
对森林遥感图像纹理的区分，就需要充分利用林分空间特征信息来对林分进行分析，以达到区分的目的。纹理是图像分析中常用的概念，当目标的光谱特征比较接近的时候，纹理特征对于区分地物目标可能会起到积极的作用[5]，森林遥感图像的纹理分析通过遥感图像所提供的各种目标的特征信息进行分析、推理与判断，最终达到识别目标或现象的目的，从而实现对森林遥感图片不同的纹理的区分，这样子能够进一步提高森林遥感图像的分类精度。
算法概述
对图像进行纹理分析有多种方法，并且纹理特征分析对于在图像中更好的识别目标起着非常重要的作用。在纹理识别和分割中，灰度共生矩阵是经典二阶统计方法，它是建立在估计二阶组合条件概率密度函数基础上的纹理分析方法，描述的是某方向上间隔一定距离的一对像素点灰度出现的统计规律。因此用灰度共生矩阵的方法对于林分图像的纹理可以起到比较好的作用。同时由于森林遥感图像是纹理比较复杂的图片，仅用灰度共生矩阵提取的特征值，分割后的效果呈块状，在处理边界的问题上不是那么准确。而直接利用对图像进行平滑处理然后用k-means算法也可以对遥感图片进行纹理分析，并且也有一定的效果。因此本文采用的方法是以灰度共生矩阵文理特征分析为主，再选择合适的模版对原图像再进行平滑处理，降低图像噪音影响，然后用平滑后的图像结合特征值来实现纹理分割。
本文算法的基本思路分为5个步骤：
（1）编写算法构建灰度共生矩阵函数，同时对原图像的灰度值进行量化。
（2）选取合适的模版对图像不同子块使用灰度共生矩阵函数运算求出相应的灰度共生矩阵，并利用公式求出对应图像子块的特征值。
（3）用空域平滑滤波的方法来对图像进行平滑。
（4）利用平滑后的图像为基础结合之前求出的特征值，在图像漫游对图像进行遍历比较，应用k-means聚类方法，来使图像相近的点归为一类。
（5）对不同类的图像上色来区分不同纹理。
这个没仿真 只要开了MATLAB 随便导进图片处理就可以了 程序 论文中有
目录
摘要 I
Abstract II
1 引言 1
1.1 问题来源 1
1.2研究意义 1
2 研究背景 2
2.1 纹理分析的理论概述 2
2.1.1 纹理的概念 2
2.1.2 纹理分析的内容 2
2.2近年的国内外研究情况 3
3 算法设计 6
3.1算法概述 6
3.2算法构造 7
3.2.1 灰度共生矩阵 7
3.2.2 特征值提取 10
3.2.3对原图像进行平滑处理 12
3.2.4 k-means聚类算法 14
3.2.5对处理后的图像上伪彩色 17
4 实验结果与分析 19
5 总结与展望 21
参考文献 22
致谢 23
附录 （程序代码） 24
参考文献
[1] M Singh.S Singh.Spatial Texture Analysis:A cornparative Study.Proc[C].15th International Conference on Pattern Recognition(ICPR’02),Quebec,Pages:l1-15,2002．
[2] 章毓晋．基于内容的视觉信息检索[M].北京:科学出版社,2003.
[3] 中国网站.ERDAS IMAGINE Expertclass专家分类系统介绍[EB／OL].ESRI中国网站,2003.
[4] 刘晓龙,李英成.地物频谱在遥感图像分类中的应用研究[J].遥感信息,1999,(1):41-44.
[5] 宋晓宇,单新建.高分辨率卫星影像在城市建筑物识别中的初步应用[J].遥感信息,2002,(1):70-73.
[6] 李德仁,张纪贤.影象纹理分析的现状和方法（一）.武测科技,1993,(3):30-37.
[7] 章毓晋. 图像工程（中册）图像处理和分析[M].北京:清华大学出版社,1999,:280-288.
[8] 章毓晋.基于内容的视觉信息检索[M].北京:科学出版社,2003.
[9] Mihran Tuceryan.Texture Analysis.The Hand Book of Pattern Recognition and Computer Vision[M].New York:World ScientificPublishing Co.,1993,235-276.
[10] 孙家柄,舒宁.遥感原理方法和应用[M].北京:测绘出版社,l997.
[11] 马廷.高分辨率卫星影像及其信息处理的技术模型[J].遥感信息,2001,(3):5l2-5l5.
[12] 宁书年,吕松棠.遥感图像处理与应用[M].北京:地震出版社,l995.
[13] S Karkanis．Classification of Endoscopic Images Based on Texture Spectrum．Workshop on Machine Learning in Medical Applications[M].Chania,Greece.Pages:63-69.1999.
[14] 朱述龙,张占睦.遥感图像获取与分析[M].北京:科学出版社,2000.
[15] Haralick RM.Statistical and structural approachestotexture[C].InProceeding ofIEEE,1975,67(5):786-804.(毕业设计)
[16] 王晗,白雪冰,王辉.基于空间灰度共生矩阵木材纹理分类识别的研究[J].森林工程,2007,(1):32-36.
[17] 李德仁,张纪贤.影象纹理分析的现状和方法（二）.武测科技,1993,(4):16-25.
附录 （部分程序代码）
程序1用MATLAB编写的灰度共生矩阵的函数：
function F=H(image,d,angle,consize) %image为目标图像 d 为生成步长 angle 生成角度 consize 灰度级
image=double(image); %转为双精度
GCmatrix=zeros(consize,consize);%创建灰共矩
[image_x image_y]=size(image); %图像的行和列
switch angle % 0度方向按步为d，像素间的关系
case {0}
for i=1:image_x
for j=1:(image_y-d)
GCmatrix(image(i,j),image(i,j+d))=GCmatrix(image(i,j),image(i,j+d))+1;
end
end
case {45} % 45度方向按步为d，像素间的关系
for i=(1+d):image_x
for j=1:(image_y-d)
GCmatrix(image(i,j),image(i-d,j+d))=GCmatrix(image(i,j),image(i-d,j+d))+1;
end
end
case {90} % 90度方向按步为d，像素间的关系
for i=(1+d):image_x
for j=1:image_y
GCmatrix(image(i,j),image(i-d,j))=GCmatrix(image(i,j),image(i-d,j))+1;
end
end
case {135} % 135度方向按步为d，像素间的关系
for i=(1+d):image_x
for j=(1+d):image_y
|
