CN102938148A - 一种基于v-glcm的高光谱影像纹理分析方法 - Google Patents
一种基于v-glcm的高光谱影像纹理分析方法 Download PDFInfo
- Publication number
- CN102938148A CN102938148A CN2012103800404A CN201210380040A CN102938148A CN 102938148 A CN102938148 A CN 102938148A CN 2012103800404 A CN2012103800404 A CN 2012103800404A CN 201210380040 A CN201210380040 A CN 201210380040A CN 102938148 A CN102938148 A CN 102938148A
- Authority
- CN
- China
- Prior art keywords
- pixel
- texture
- image
- sigma
- glcm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于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。
Description
技术领域
本发明属于高光谱遥感图像处理技术领域,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。
背景技术
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[舒宁.关于多光谱和高光谱影像的纹理问题.武汉大学学报(信息科学版),2004,29(4):292-295。舒宁.关于遥感影像处理分析的理论与方法之若干问题.武汉大学学报(信息科学版),2007,32(11):1007-1015。舒宁.卫星遥感影像纹理分析与分形分维方法.武汉测绘科技大学学报,1998,23(4):370-373]。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 LevelCo-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[HaralickR.M.,Shanmugam K.,and Dinstein I.H..Texture features for imageclassification.IEEE Trans.Sys.,Man Cybernet.,1973,3(6):610-621],其中最常用的有对比度(惯性矩,Contrast),熵(Entropy),角二阶矩(能量,Angular SecondMoment),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1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。
发明内容
发明目的:针对上述现有技术存在的问题和不足,本发明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:为实现上述发明目的,本发明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。
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:
其中,γ(h)为半变异函数值,N(h)代表像元对的数量,∑为像元对灰度差值的平方和,z(x)为在x轴上起始像元的灰度值,z(x+h)为距离起始像元有h个像元距离的像元灰度值,h代表在固定方向上像元对的距离关系,当γ(h)的值趋于稳定时的窗口尺寸为最佳的移动立方体窗口大小。
进一步地,所述步骤3中共生矩阵的建立采用以下公式:
式中,m和n代表共生矩阵的位置;M(m,n)为共生矩阵中第(m,n)元素的值,代表在对应的移动窗口W内,像元对关系δ=(d,θ,ψ)且灰度值分别为m和n的像元对数量,其中d为像元对的距离,θ为像元对的水平角角度,ψ为像元对的天顶角角度,Wx、Wy和Wz分别为移动立方体的三个维度x轴、y轴(空间维)和z轴(光谱维)上的窗口大小,dx、dy和dz为像元对关系δ=(d,θ,ψ)的向量形式(dx,dy,dz),W(x+dx,y+dy,z+dz)为共生矩阵计算时,移动立方体窗口在三个维度上的移动距离的大小。
进一步地,所述步骤3中移动立方体窗口中像元对的空间关系具有以下性质:
移动窗口需要考虑三个维度,像元对的空间关系由平面变成立体空间,在影像立方体中,每个像元共有26个临近像元;因此当距离为1像元时,中心像元和邻近像元有26个方向,若考虑对称性,则有13种可能,分别为(0°,0°)、(0°,45°)、(0°,90°)、(0°,135°)、(45°,45°)、(45°,90°)、(45°,135°)、(90°,45°)、(90°,90°)、(90°,135°)、(135°,45°)、(135°,90°)和(135°,135°)等方向。表1以向量的形式列出V-GLCM像元对方向。
表1V-GLCM模型中像元对方向
进一步地,所述步骤3中统计指标和步骤4中指标量化统计采用以下6个描述影像纹理特征的指标:
1)方差(Variance):以变异量描述图像中纹理的特性:
2)对比度(Contrast):图像各像元间灰度差的度量,反映了图像的清晰度和纹理的沟纹深浅;该值越高,代表对比越强,图像较粗糙,反之图像较柔和:
式中,CON表示对比度;
3)相异性(Dissimilarity):与对比度代表的含义类似,和对比度中灰度值差的权重以指数增长不同,该值的灰度值差的权重为线性关系:
式中,DIS表示向异性;
4)能量(Energy):反映了区域图像的均匀性或平滑性,能量小则图像比较均匀或平滑:
式中,ASM表示能量;
5)熵(Entropy):图像内容随机性的度量,描述了图像纹理的杂乱程度,熵值大表示随机性比较强:
式中,ENT表示能量;
6)同质性(Homogeneity):反映图像的均匀程度:
式中,HOM表示同质性。
其中,步骤5中基于V-GLCM模型提取的纹理包含了高光谱影像体纹理的概念及特性,即:
概念:高光谱影像体纹理是地物目标二维投影空间的不同表征点在光谱空间中的实函数,即一种在立体空间上具有特定数值的实函数;立体空间的每一点取一个确定的值,表征点值在立体空间的集合则构成了体纹理。
高光谱影像体纹理具有以下看似矛盾的特性:
1)结构性:由于地物具有一定的形态结构,体纹理具有一定的空间结构特征,另外,影像中某一点x与x+h处的数值具有某种程度的相关性(h的取值具有一定范围),当超出一定范围后,相关性变弱甚至消失;
2)随机性:由于地物的复杂性,体纹理具有不规则的特征;
3)空间局限性:由于影像区域的限制,体纹理局限于一定的几何空间;
4)连续性:不同的高光谱影像体纹理具有不同程度的连续性,这种连续性可采用地物之间的半变异函数来描述;
5)异向性:体纹理在各个方向具有相同性质时称为各向同性,否则为各向异性。
有益效果:本发明采用V-GLCM方法对高光谱遥感影像纹理进行描述与提取,该方法不仅能够提取影像的局部纹理特征,而且还可以提取相邻波段的纹理信息,能够完整地描述高光谱影像体纹理。同时,提出了高光谱影像体纹理概念,将传统纹理推广到高维空间,基于V-GLCM模型建立了高光谱影像纹理描述与提取方法;该方法能够更为有效地对高维空间中的影像纹理进行描述与提取,得到的纹理特征数据含有较大的信息量,其后续分类精度大大高于同类方法。
附图说明
图1(a)为V-GLCM计算方式示意图,图1(b)为V-GLCM像元对关系图;
图2为V-GLCM高光谱影像纹理分析流程图;
图3(a)为采用本发明方法对高光谱影像DC Mall提取的方差图,图3(b)为采用本发明方法对高光谱影像DC Mall提取的对比度图,图3(c)为采用本发明方法对高光谱影像DC Mall提取的相异性图,图3(d)为采用本发明方法对高光谱影像DC Mall提取的能量图,图3(e)为采用本发明方法对高光谱影像DC Mall提取的熵值图,图3(f)为采用本发明方法对高光谱影像DC Mall提取的同质性图;
图4(a1)和图4(a2)分别为采用GLCM方法和本发明方法提取的方差图,图4(b1)和图4(b2)分别为采用GLCM方法和本发明方法提取的对比度图;图4(c1)和图4(c2)分别为采用GLCM方法和本发明方法提取的相异性图;图4(d1)和图4(d2)分别为采用GLCM方法和本发明方法提取的能量图;图4(e1)和图4(e2)分别为采用GLCM方法和本发明方法提取的对熵值比度图;图4(f1)和图4(f2)分别为采用GLCM方法和本发明方法提取的同质性图;
图5为采用本发明方法及GLCM方法提取的纹理特征分类结果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
针对GLCM纹理模型中二维的移动窗口只能计算单波段纹理、忽略相邻波段之间纹理信息的缺点,提出移动立方体作为新模型计算纹理的窗口,从而将二维的像元对空间关系转变为三维空间,这是本发明的V-GLCM纹理分析模型的最大特点(如图1(a)和图1(b)所示)。采用V-GLCM模型获得的高光谱影像体纹理,不仅含有影像局部纹理信息,而且还包含了相邻波段的光谱信息,能够比较完整地描述高光谱影像纹理的独有特性。
图2为本发明提出的一种基于V-GLCM的高光谱影像纹理分析方法的流程图,主要包括以下步骤:
(1),选择需进行纹理分析的高光谱影像数据,对数据进行必要的预处理,去除噪声波段;
(2),对步骤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;
(3),选择合适大小的移动立方体窗口和角度参数,移动立方体大小的具体采用半变异函数计算,公式如下:
其中,γ(h)为半变异函数值,N代表像元对的数量,∑为像元对灰度差值的平方和,z(x)为在x轴上起始像元的灰度值,z(x+h)为距离起始像元有h个像元距离的像元灰度值,h代表在固定方向上像元对的距离关系。γ(h)的值趋于稳定时的窗口尺寸为最佳的立方体大小。
(4),以移动立方体内部的6个统计指标信息——方差、对比度、相异性、能量、熵和同质性作为立方体中心像元的纹理特征,统计指标采用以下公式计算:
1)方差(Variance):以变异量描述图像中纹理的特性。
2)对比度(Contrast):图像各像元间灰度差的度量,反映了图像的清晰度和纹理的沟纹深浅;该值越高,代表对比越强,图像较粗糙,反之图像较柔和。
3)相异性(Dissimilarity):与对比度代表的含义类似,和对比度中灰度值差的权重以指数增长不同,该值的灰度值差的权重为线性关系。
4)能量(Energy):反映了区域图像的均匀性或平滑性,能量小则图像比较均匀或平滑。
5)熵(Entropy):图像内容随机性的度量,描述了图像纹理的杂乱程度,熵值大表示随机性比较强。
6)同质性(Homogeneity):反映图像的均匀程度。
(5),并利用移动立方体窗口中像元对关系建立共生矩阵,移动立方体窗口中像元对关系共13种可能,分别为(0°,0°)、(0°,45°)、(0°,90°)、(0°,135°)、(45°,45°)、(45°,90°)、(45°,135°)、(90°,45°)、(90°,90°)、(90°,135°)、(135°,45°)、(135°,90°)和(135°,135°)等方向。共生矩阵算法的具体实现采用以下公式:
式中,m和n代表共生矩阵的位置;M(m,n)为共生矩阵中第(m,n)元素的值,代表在对应的移动窗口W内,像元对关系δ=(d,θ,ψ)且灰度值分别为m和n的像元对数量,其中d为像元对的距离,θ为像元对的水平角角度,ψ为像元对的天顶角角度。Wx、Wy和Wz为移动立方体的三个维度x轴和y轴(空间维)、z轴(光谱维)上的窗口大小,dx、dy和dz为像元对关系δ=(d,θ,ψ)的向量形式(dx,dy,dz),W(x+dx,y+dy,z+dz)为共生矩阵计算时,移动立方体窗口在三个维度上的移动距离的大小。
(6),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,即取代该位置的像元的纹理特征;
(7),不断移动该立方体窗口,对整个影像进行纹理计算和提取,得到整个影像的V-GLCM纹理数据;
(8),利用得到纹理数据与光谱数据结合后进行分类,采用分类总体精度对提取纹理的方法的性能进行评估。
本发明的实施方案已全部在计算机***中实现。
为了进一步理解本发明并验证实际效果,进行了以下实验:
该数据是由HYDICE(Hyperspectral Digital Imagery Collection Experiment)传感器获取的华盛顿特区的高光谱影像。该数据覆盖了从0.4到2.5um光谱区间的210个波段,其空间分辨率约为2.8m;剔除了水吸收波段和噪声波段后,保留了191个波段用于数据分析。DC I数据大小为304×301,包括道路(Road)、草地(Grass)、水体(Water)、小路(Trail)、树木(Tree)和建筑(Roof)等6个类别。图3(a)至图3(f)为利用V-GLCM纹理方法提取的方差、对比度、相异性、能量、熵值和同质性等6个纹理特征图。
为了比较V-GLCM方法与GLCM方法的性能,将两种不同方法在相同窗口尺寸、相同方向下提取的DC I数据纹理特征进行对比。首先,分别利用GLCM方法和V-GLCM方法提取高光谱影像纹理特征;然后,将提取的纹理特征分别加入到原始影像数据、K个优选波段及K个聚类中心等一起参与分类;最后对比两种方法的分类结果,对方法进行评估。由于纹理的旋转不变性,两种方法都取4个方向的纹理图像均值作为最终的纹理图像参与后续的对比分析。其中,V-GLCM方法的窗口大小为7×7×7,方向角度为(135,135),GLCM方法的窗口大小为7×7,方向为135度。
图4(a1)至图4(f2)为两种不同的纹理方法提取的方差、对比度、相异性、能量、熵值和同质性等6个纹理特征的对比图,每个纹理指标的左图为GLCM方法提取的结果,右图为V-GLCM方法提取的结果。将两种算法(方向及距离参数同上)提取的纹理分别与原始数据所有191波段、原始数据进行PCA压缩(选取前5个主成分)、波段选择的5个波段(62、110、25、95、152等)、半监督聚类算法提取的5个聚类中心等光谱数据结合(形成四种分类模式),进行分类实验研究。V-GLCM和GLCM算法对DC Mall I数据的分类结果如表2所示。
表2V-GLCM与GLCM分类结果对比
为了更加清晰地对比分析各个方案的分类精度及效果,图5给出了各种方案的分类精度对比图。其中每个方案中最左边的柱图为传统的不添加纹理特征的影像分类精度,中间的柱图为添加GLCM纹理特征后的影像分类精度,最右边的柱图为添加V-GLCM纹理特征后的影像分类精度。由图5可以看出,添加纹理信息后,影像分类精度得到大幅提高;同时V-GLCM方法得到的精度高于GLCM方法得到的分类精度。实验结果证明,本发明提出的V-GLCM纹理方法能够有效地对高光谱遥感影像的纹理进行描述、提取;并且将纹理信息加入到传统的光谱数据分类中,能够有效提高分类精度。
Claims (5)
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。
2.根据权利要求1所述一种基于V-GLCM的高光谱影像纹理分析方法,其特征在于,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:
其中,γ(h)为半变异函数值,N(h)代表像元对的数量,∑为像元对灰度差值的平方和,z(x)为在x轴上起始像元的灰度值,z(x+h)为距离起始像元有h个像元距离的像元灰度值,h代表在固定方向上像元对的距离关系,当γ(h)的值趋于稳定时的窗口尺寸为最佳的移动立方体窗口大小。
4.根据权利要求1所述一种基于V-GLCM的高光谱影像纹理分析方法,其特征在于,所述步骤3中移动立方体窗口中像元对的空间关系具有以下性质:
移动窗口需要考虑三个维度,像元对的空间关系由平面变成立体空间,在影像立方体中,每个像元共有26个临近像元;因此当距离为1像元时,中心像元和邻近像元有26个方向,若考虑对称性,则有13种可能,分别为(0°,0°)、(0°,45°)、(0°,90°)、(0°,135°)、(45°,45°)、(45°,90°)、(45°,135°)、(90°,45°)、(90°,90°)、(90°,135°)、(135°,45°)、(135°,90°)和(135°,135°)方向。
5.根据权利要求1所述一种基于V-GLCM的高光谱影像纹理分析方法,其特征在于,所述步骤3中统计指标和步骤4中指标量化统计采用以下6个描述影像纹理特征的指标:
1)方差:以变异量描述图像中纹理的特性:
2)对比度:图像各像元间灰度差的度量,反映了图像的清晰度和纹理的沟纹深浅;该值越高,代表对比越强,图像较粗糙,反之图像较柔和:
式中,CON表示对比度;
3)相异性:与对比度代表的含义类似,和对比度中灰度值差的权重以指数增长不同,该值的灰度值差的权重为线性关系:
式中,DIS表示向异性;
4)能量:反映了区域图像的均匀性或平滑性,能量小则图像比较均匀或平滑:
式中,ASM表示能量;
5)熵:图像内容随机性的度量,描述了图像纹理的杂乱程度,熵值大表示随机性比较强:
式中,ENT表示能量;
6)同质性:反映图像的均匀程度:
式中,HOM表示同质性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103800404A CN102938148A (zh) | 2012-10-09 | 2012-10-09 | 一种基于v-glcm的高光谱影像纹理分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103800404A CN102938148A (zh) | 2012-10-09 | 2012-10-09 | 一种基于v-glcm的高光谱影像纹理分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102938148A true CN102938148A (zh) | 2013-02-20 |
Family
ID=47697041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103800404A Pending CN102938148A (zh) | 2012-10-09 | 2012-10-09 | 一种基于v-glcm的高光谱影像纹理分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938148A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103211621A (zh) * | 2013-04-27 | 2013-07-24 | 上海市杨浦区中心医院 | 超声有向性纹理定量测量仪及其方法 |
CN104346800A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种基于纹理显著性的微光图像目标检测方法 |
CN107111883A (zh) * | 2014-10-30 | 2017-08-29 | 皇家飞利浦有限公司 | 用于图像数据的纹理分析图 |
CN108009562A (zh) * | 2017-10-25 | 2018-05-08 | 中山大学 | 一种水文水资源特征空间变异性识别的方法 |
US10964036B2 (en) | 2016-10-20 | 2021-03-30 | Optina Diagnostics, Inc. | Method and system for detecting an anomaly within a biological tissue |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5699452A (en) * | 1991-09-27 | 1997-12-16 | E. I. Du Pont De Nemours And Company | Method and system of identifying a valid object in a background of an image using a gray level co-occurrence matrix of the image |
CN102194127A (zh) * | 2011-05-13 | 2011-09-21 | 中国科学院遥感应用研究所 | 一种多频率sar数据农作物遥感分类方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
-
2012
- 2012-10-09 CN CN2012103800404A patent/CN102938148A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5699452A (en) * | 1991-09-27 | 1997-12-16 | E. I. Du Pont De Nemours And Company | Method and system of identifying a valid object in a background of an image using a gray level co-occurrence matrix of the image |
CN102194127A (zh) * | 2011-05-13 | 2011-09-21 | 中国科学院遥感应用研究所 | 一种多频率sar数据农作物遥感分类方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
Non-Patent Citations (2)
Title |
---|
FUAN TSAI等: "Texture Analysis for Three Dimensional Remote Sensing Data by 3D GLCM", 《PROCEEDINGS OF 27TH ASIAN CONFERENCE ON REMOTE SENSING》 * |
冯建辉等: "基于灰度共生矩阵提取纹理特征图像的研究", 《背景测绘》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103211621A (zh) * | 2013-04-27 | 2013-07-24 | 上海市杨浦区中心医院 | 超声有向性纹理定量测量仪及其方法 |
CN103211621B (zh) * | 2013-04-27 | 2015-07-15 | 上海市杨浦区中心医院 | 超声有向性纹理定量测量仪及其方法 |
CN104346800A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种基于纹理显著性的微光图像目标检测方法 |
CN104346800B (zh) * | 2013-08-02 | 2016-12-28 | 南京理工大学 | 一种基于纹理显著性的微光图像目标检测方法 |
CN107111883A (zh) * | 2014-10-30 | 2017-08-29 | 皇家飞利浦有限公司 | 用于图像数据的纹理分析图 |
US10964036B2 (en) | 2016-10-20 | 2021-03-30 | Optina Diagnostics, Inc. | Method and system for detecting an anomaly within a biological tissue |
US11769264B2 (en) | 2016-10-20 | 2023-09-26 | Optina Diagnostics Inc. | Method and system for imaging a biological tissue |
CN108009562A (zh) * | 2017-10-25 | 2018-05-08 | 中山大学 | 一种水文水资源特征空间变异性识别的方法 |
CN108009562B (zh) * | 2017-10-25 | 2021-07-13 | 中山大学 | 一种水文水资源特征空间变异性识别的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102903116B (zh) | 一类基于图像块距离的高光谱图像流形降维方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及*** | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103208118B (zh) | 一种高光谱遥感影像端元提取方法 | |
Dong et al. | Selection of LiDAR geometric features with adaptive neighborhood size for urban land cover classification | |
CN102446278B (zh) | 一种基于多时相遥感图像的亚像元定位方法 | |
CN102938148A (zh) | 一种基于v-glcm的高光谱影像纹理分析方法 | |
Liu et al. | Study of the automatic recognition of landslides by using InSAR images and the improved mask R-CNN model in the Eastern Tibet Plateau | |
CN106408581A (zh) | 一种快速的三维点云直线提取方法 | |
CN109241978A (zh) | 地基三维激光点云中平面片的快速提取方法 | |
Zhu et al. | Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features | |
Dong | Lacunarity analysis of raster datasets and 1D, 2D, and 3D point patterns | |
CN103226826A (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
Su et al. | Dynamic classifier selection using spectral-spatial information for hyperspectral image classification | |
CN101587189A (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
Kong et al. | A new method for building roof segmentation from airborne LiDAR point cloud data | |
CN106203528B (zh) | 一种基于特征融合和knn的3d画智能分类算法 | |
CN109191484A (zh) | 一种从机载激光雷达点云中快速提取平面片的方法 | |
Cai et al. | Fractal theory and its application in studying the feature of landforms | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
CN108280419B (zh) | 一种空间特征检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130220 |