地质统计图像纹理在遥感数据分类中的应用外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

地质统计图像纹理在遥感数据分类中的应用

M. Chica-Olmo*, F. Abarca-HernaAcirc;ndez

格拉纳达大学/ IACT地球动力学系遥感，地理信息系统和地质统计学实验室，

富恩特埃瓦大道S / N大街，

18071，西班牙，格拉纳达

1998年5月31日收到; 于1999年1月13日接受

摘要

大多数用于图像分类的经典数学算法通常不考虑像素与其邻居之间存在的光谱依赖性，即空间自相关。因此，将地形覆盖类别的差异添加到传感器的辐射测量带上可能是明智的，这些互补信息与图像的纹理特征相关，可以从数字数字的自相关空间结构中分析。以这种方式，逐像素分类器同时考虑到的结果辐射测量和纹理信息都可以改进。这种改进可能源于一个假设：一个像素不是独立于其邻居，并且此外，它的依赖性可以量化并纳入到分类器中。在本文中，我们提出了一种方法，该方法基于几个变差函数估计器计算一组单变量和多变量空间变化的结构测量。单变量情况下的马克变异和直接变异函数以及多变量变量函数的交叉和伪交叉变异函数已经建议。这些测量是针对辐射测量带两个最具代表性的主要分量的移动窗口，计算邻域中特定距离的距离，从而使我们能够量化空间辐射测量数据在地方一级的变化。已经编写了一个计算机程序来创建多波段图像纹理作为输出，可以在分类过程中用作附加信息。这种方法在岩性判别中的应用使用Landsat-5 TM图像。

关键词：纹理分析；空间自相关；方差估计量；上下文信息；岩性判别

1.介绍

本文提出了一种基于变差函数的纹理地质统计工作定义，以提高图像分类中岩性判别的结果。 通过使用原始无线电度量数据和关于数字数字（DN）的空间自相关的附加信息来改进逐像素分类器的性能。通过考虑像素与其邻近区域的空间相关性以及将这种依赖性作为纹理描述符以数字方式引入分类器中来获得整体准确度的提高。

纹理处理算法通常分为三大类：结构，光谱和统计。结构方法将纹理视为具有一定布局规则的基本原始图案的重复（He et al，1987）。光谱方法基于傅里叶变换，分析功率谱（Matsuyama，1980）。纹理分析中的第三个也是最重要的群体，对应于统计方法，主要基于局部统计参数（Sun和Qin，1993），熵（Haralick和Shanmugham，1974），分形维数（Dawson和Parsons，1994） ，以及共现矩阵的度量（Franklin和Peddle，1987）。其他研究已经使用了纹理变换形式（Irons and Petersen，1981），其中数字数值（DN）值的变化的不同测量在移动窗口内估计，例如标准偏差（Arai，1993）或局部（Woodcock and Harward，1992），最近的一些技术涉及使用从变差函数推导出的地质统计参数（Carr，1996； Lark，1996；Miranda等，1998）。

在后一种方法的框架下，我们打算用地统计学方法分析辐射测量数据的空间相关性，以获得与辐射测量数据一起包含在分类算法中的图像纹理。为此，DN被解释为一个区域化变量，其空间特征是结构和随机方面的变异函数（Atkinson和Cur-ran，1995；Chica-Olmo和Abarca-Hernandez，1998；Curran，1988）。本文的主要假设是基于变异函数和纹理关系，这已被其他作者先前研究过。因此，Lark（1996）认为变差函数是图像纹理的潜在有用描述符；Lacaze等人（1994）证明了利用变差函数从分析遥感数据中识别多尺度空间模式的可能性。在这种情况下，我们的贡献集中在基于变异函数的单变量和多变量估计的一组纹理测量空间变异性（TMSV）中定义多波段图像纹理。

计算机程序IMGTEXT被开发用于使用移动窗口来计算TMSV集合以便生成地质统计图像纹理。

图1.研究区域的位置图和主要岩性类别

2.研究区域和数据的描述

所选择的应用该方法的区域位于西班牙东南部阿尔梅里亚省的内部带（图1）。露头岩性基本上与新近系的石灰岩，白云岩，砾岩和绿泥灰岩相对应作为几种第四类矿（Voerman等，1980）。该申请主要集中在三个第四纪矿床的区分改善上：有山地侵蚀的山前矿床，Qg（砾岩和粘土）；冲积层，Qt（块状，巨石和沙）和第四纪沉积层，Q（砂和粘土）。

一个Landsat-5 TM分区被选中，其中一个测试区域大约150。 该图像的日期为1991年7月7日（太阳方位角73.88东南东，太阳高程为56.88），并且通过最近邻法共同登记，以最小化DN的空间自相关结构的变化。由于我们倾向于保留原始数据的结构，因此没有对图像应用辐射校正。这方面并不代表缺点，因为该方法也可以以相同的方式应用于辐射或反射数据。

3.方法论

3.1. 变异图和纹理

在图像处理中受到高度重视的纹理特征代表了空间域中的色调变化，并决定了图像特征的整体视觉平滑度或粗糙度（Lillesand and Kiefer，1994）。它揭示了关于图像中物体的结构安排及其与环境的关系的重要信息； 因此纹理分析提供了与光解释和数字分类中的地形类别的变化模式相关的重要区分特征。

实际上，解释者用来描述质地的一些最常用术语，如平滑或粗糙，具有强烈的主观性和

并不总是有一个确切的物理意义。分析者能够从图像中直观地提取纹理信息，但要建立一个客观的模型来描述这个直观的概念并不容易。出于这个原因，有必要开发定量方法来获取纹理描述符。因此，在统计方面，纹理可以用与DN相关的两个主要概念组件来描述：局部/全局变量和空间相关性。第一个分量经常通过计算方差（s2）在地方一级进行分析，方差（s2）是DN分散相对于移动窗口内平均值的统计量度（Woodcock and Harward，1992）。第二个特征是空间相关性，假定DNs不是完全随机分布在图像中，因此，存在与每个地面覆盖类别相关的空间可变性（或相关性）结构。正如Lark（1996）指出的那样，平均而言，在一对像素之间形成对比的变异量取决于它们的空间关系，这可以用作每个地形类别的纹理描述符。地统计学方法的优点是这两个方面可以共同修改，如下所述。

遥感影像的地理信息系统被认为是地区性变量，其特征在于随机和空间相关方面，与上述纹理成分相关联。在内在假设下，两个方面都可以通过半变异函数概念联合研究，实际上也称为变差函数，用经典方程（Matheron，1971）表示：

（1）

其中表示距离处的像素对值的二次增量的数学期望的一半，即半方差；是矢量函数取决于像素和之间的距离向量的模量和角度。

图2.说明不同纹理外观的两个Landsat TM2子场景：（A）有荒地侵蚀的山麓矿床；（B）第四纪存款平原

这个函数在图像处理中的使用已被广泛接受，因为它被认为是分析辐射测量数据空间自相关的有力工具，更具体地说，是空间变异性结构（Ramstein ，1989）。它的应用基于变差分析，包括以下经典步骤：实验变量的计算，建模和解释。计算变差函数不会预先计算，根据卫星图像的光栅结构发送任何难题，但计算时间可能很长，这取决于图像的大小。变异函数建模是大多数地质统计应用（即空间估计和模拟）所需的步骤（Atkinson等，1994； Dungan等，1994）。在我们的案例研究可以推广到纹理研究，因为只使用了变异函数的实验值，所以建模并不是必需的。最后，变异函数的解释通常集中在相关的范围和门槛参数，变异函数和空间各向异性到辐射测量值的空间分布。

如上所述，纹理与灰度值的空间变化密切相关，因此与变差函数密切相关。 这种关系已经被研究过了，其他作者（Carr，1996； Lacaze et al，1994）认为变差函数是一种可能有用的图像纹理描述符，并展示其可能性以确定多尺度空间模式。 Miranda等人（1998）表明，图像中的每个地形覆盖类呈现出不同的空间变化模式，即不同的变异函数。从我们的角度来看，这种空间格局可以被认为是土地覆盖类的“纹理特征”。

为了说明图像纹理和图像之间的关系我们选择了任意大小的两个子图像（50times;50像素），对应地质材料显示出地貌特征的差异纹理外观：山地沉积与荒地侵蚀（图2A）和第四纪沉积平原（图2B），其中全向变异函数为如图3所示。进行计算使用一个简单的计算机程序，允许控制参数，如方向，滞后间距和最大距离。变异函数有不同由于相关模式的变化而导致的行为的DN。图2A清楚地反映了线性结构与阴影区有关山前沉积的地貌特征，它的变异图表明了DN值呈现高度分散（方差近似——因为这些值之间存在差异阴影区和照明区域。这个与图2B（第四纪沉积平原）对比这个变差函数的方差要小得多，阴影影响是轻微的（方差约75）。它在图2A中由于局部变异——阴影引入的阴影（范围约为9像素）和更高的子图像图2B，其中更大观察到空间均匀性（近似范围）25像素）。从这个例子中可以看出，显而易见的是，直观的纹理概念从视觉解释可以数值模拟通过这个有用的地质统计工具。

图3.具有不同空间变异性模式的两个子图像的实验变差图：具有荒地侵蚀的山前沉积（虚线）和第四纪沉积平原（实线）

3.2. 空间变异的质地测量（TMSV）

为了将地质统计学结构信息引入到图像分类过程中，我们建议基于变差函数的单变量和多变量估计来计算一组空间变异性纹理测量值（TMSV）。通过累积TMSV来构造地质统计图像纹理很容易在移动窗口内计算每个像素。除了Eq.（1）代表直接变差函数的经典表达式，下面的表达式也有在这项工作中进行了研究：多变量情况下的直接变异函数，马氏图（Cressie，1993； Deutsch和Journel，1992）以及交叉和伪交叉变异函数（Journel和Huijbregts，1978；Wackernagel，1995）。

3.2.1. 直接变异函数

直接变差函数的统计推断是从方程（1）：

（2）

其中是远对数，是像素x的数字值和（随机函数的实验实现）。

3.2.2. 马氏图

该马氏图类似于直接变异函数，而不是平方误差，而是采用绝对误差（Deutsch和Journel，1992）。

（3）

3.2.3. 交叉变异函数

交叉变异函数量化两个频带之间的联合空间变异性（互相关）。 它被定义为h增量的平均乘积的一半，相对于辐射测量带j，k。

（4）

3.2.4. 伪交叉变异函数

伪交叉变差函数表示交叉增量的半方差而不是如上所述的直接增量的协方差：

（5）

可以从上面的等式推导出每种类型的变差函数对于图像中的空间模式的具体贡献。首先，应该注意的是，所使用的四种类型的变异函数有些类似，因为它们全部量化了图像中的DN的空间变异性。然而，它们之间存在明显的差异，因为两个是单变量函数，而另外两个是交叉函数。根据Carr（1996）和Miranda等人在单变量情况下，（1998），我们选择了一个基于绝对差异的函数（madogram），另一个基于二次方差来突出显示纹理对比度（直接变异函数）。 此外，我们引入了一个交叉函数来测量两个辐射带之间的纹理差异（交叉变异函数），另一个交叉函数用于测量两个辐射带（交叉变异函数）的交叉差异的方差。

3.3. 计算地理统计图像纹理

通过使用移动窗口计算邻域内的TMSV获得地质统计图像纹理。为了选择窗口大小

根据经验标准计算TMSV。我们试图找到一个不太大的窗口，以限制计算时间并避免相邻地形覆盖类的纹理特征的影响; 另一方面，窗口不应该太小，否则就是一个强大的变异函数估计器将无法获得。经过多次3times;3,5times;7,7和9times;9像素的试验后，我们最终选择了尺寸7times;7，这对大多数人来说可能是有效的应用程序，尽管我们建议窗口大小应该针对每个特定情况进行定义。

将特定延迟h的四种变异函数的实验值分配给窗口的中心像素。可能会认为，为每个像素分配这些函数的值只有一个滞后距离意味着应用程序不会利用大量信息，但它也是如此使用移动窗口中计算的半变量的所有可能值（计算时间，近似半变异之间的相似性）可能是不切实际的滞后等）。在7times;7窗口大小的情况下，只有三种滞后可用，并且在比较这些后，我们选择滞后h = 1，因为这是最能描述在中心像素的直接邻域中的辐射度差。

另一个必须考虑的因素是方向变异函数的使用或其他方面。 当DN的空间分布显示各向异性时，应该考虑这个选项。 尽管如此，考虑到可能的方向的数量和变异函数的类型的数量，使用方向变异函数将需要相当大的计算时间。在我们的案例研究中，通过四个主要方向（Nplusmn;S，Eplusmn;W，N45E，N45W）和四种变差函数，可以得到一组16个TMSV。由于这个原因，并且因为各向异性对于选定的滞后不明显，所以最好简化选择仅全向变差函数。

MSV使用移动窗口内的上述变异函数估计值进行计算（Abarca-Hernandez，1997）。为此目的开发了一个程序IMGTEXT，使用户可以指定参数，如窗口大小，相邻窗口之间的重叠，滞后间距和方向（图4）。 该程序是用C语言编写的，使用Unix系统的X11和Xview图形库，并且RSGIS实验室很快就可以提供它。输入图像包含一个标题记录，后面跟着图像数据。 辐射测量波段，以整数或波数表示，以行间隔行（BIL）格式排列。标题记录基于Erdas 7.5程序的局域网文件（Erdas，1990）。因此，该程序可以使用LAN文件映像进行操作，前提是它们表示为8位整数。结果，该程序生成与由该组TMSV组成的地质统计图像纹理相对应的输出文件。

图4. 用于TMSV计算的IMGTEXT程序的图形界面

1. 地质统计影像纹理在岩性判别中的应用

4.1. 研究变量的选择

在这个案例研究中，从辐射测量TM波段上的主成分分析（PCA）获得地质统计图像纹理。 通

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24684]，资料为PDF文档或Word文档，PDF文档可免费转换为Word