基于灰度共生矩的SAR圖像紋理特征提取方法

楊凱陟，程英蕾

(空軍工程大學電訊工程學院，陜西西安710077)

SAR圖像中含有豐富的紋理信息，不同的目標粗糙度呈現出不同的紋理特征。目前，僅靠圖像的灰度值對SAR圖像信息進行提取精度較低。研究表明［1－4］，紋理輔助圖像的灰度會提高圖像信息提取的精度。為高精度地提取SAR圖像中的有用信息，有必要研究SAR圖像的紋理提取和選擇方法。基于灰度共生矩陣的紋理特征提取方法，是一個經典的統計分析方法，對紋理的細節性和隨機性描述較好，具有適應性強的特點。但多數研究對此方法只是概括說明，并未對提取窗口的大小、特征量的組合以及步驟等具體的細節進行深入分析和研究。文中提出了一種具體的基于灰度共生矩陣的SAR圖像紋理特征提取方法，分析得到了灰度共生矩陣的最佳窗口尺寸、位移向量以及紋理特征量。針對SAR圖像的仿真實驗顯示具有較好的目標描述效果。

1 基于灰度共生矩陣的紋理特征提取

1.1 圖像預處理

通常SAR圖像具有斑點噪聲，在對圖像進行紋理特征提取之前通常先選擇合適的濾波算法，抑制圖像的斑點噪聲。綜合濾波效果和運算量等因素，文中直接采用文獻［5］提出的自適應中值濾波方法，其基本思想是中值濾波，且濾波窗口的大小根據圖像局部的灰度值進行自適應調整。

由于灰度共生矩陣的大小與圖像的灰度級相關，若圖像的灰度級多，那么對應的灰度共生矩陣將為階相應也高，這樣計算量太大。因此，在消噪的基礎上還需要對目標圖像進行灰度級壓縮處理［6］。

1.2 灰度共生矩陣及其特征量

灰度共生矩陣是建立在估計圖像的二階矩組合條件概率密度函數基礎上的，研究圖像中的兩個像素組合的灰度配置情況，是最具代表性的二階統計紋理特征計算方法［7］。

設d是一個位移向量(dr，dc)，其中，dr是行方向的位移;dc是列方向的位移;設I是灰度值的集合，灰度共生矩陣Cd定義如下

將共生矩陣的值規范到0和1之間，這樣可以將這些數值理解為概率。

在計算灰度共生矩陣的基礎上，可以通過計算各種參數來描述紋理特征，如下是幾種常用的紋理描述:

(1)角二階矩。

它是圖像灰度分布均勻性或平滑性的度量。當Cd［i，j］中的數值分布較集中于主對角線附近時，說明從局部區域范圍內觀察圖像的灰度分布是角均勻的，即圖像呈現較粗的紋理，相應的角二階矩值較大，反之較小。

(2)熵。

熵給出一個圖像內容隨機性的度量。當Cd［i，j］中的數值均相等時，熵最大，反之，Cd［i，j］的數值之間差別很大時，熵較小。

(3)對比度。

對于粗紋理，Cd［i，j］的數值較集中于主對角線附近。因此，(i－j)的值較小，所以對比度也較小。相反，對于細紋理則相對具有較大的對比度。

(4)均勻性。

均勻性能刻畫局部區域的紋理特征，是區分不同目標的重要度量。

(5)相關度。

j］。此統計量是用來描述Cd［i，j］中行(或列)元素之間相似程度的，是圖像灰度線性關系的度量。

(6)均值。

其中，I是圖像的灰度級數。

(7)方差。

1.3 紋理特征量選擇

根據灰度共生矩陣計算出的紋理特征描述眾多，Haralick等人曾提出14種［8］，如果將眾多特征描述量全部進行實驗，則運算量非常大，時效性也差。文中首先針對SAR圖像特點和實際軍事應用，結合具體軍事目標的先驗知識，分析并選取較好的特征量。

文中選擇美國加利福尼亞州中國湖空軍基地的SAR圖像進行實驗，如圖1所示，圖像大小為522×446，重點關注草坪周圍的機場跑道。跑道一般是由水泥混凝土或瀝青筑成，其特點是連續、各向同性、均勻且較光滑，在SAR圖像中的灰度值較小;而草坪相對粗糙，均勻性較差，在SAR圖像中略亮。由上分析，選取描述平滑性好的ASM、描述隨機性強的ENT、描述紋理粗細程度高的CON、描述灰度線性關系的COR和均勻性HOM作為區分跑道與草坪的特征量更合理。

圖1 研究區SAR圖像

1.4 紋理特征的提取

在提取SAR圖像特征前，采用自適應中值濾波算法對其進行噪聲抑制處理，中值濾波器最大窗口大小為7×7，濾波結果如圖2所示。之后，將圖像的灰度級由原來的128級壓縮至64級，以減少后期特征提取的計算量。

圖2 噪聲抑制后的SAR圖像

由于共生矩陣Cd［i，j］的值與所選取的位移向量(dr，dc)有較大關系，并且在同一幅圖像上，不同的目標其紋理尺度可能不相同，而且根據同一灰度共生矩陣計算出的各紋理特征統計量之間，具有很強的相關性。因此，利用基于灰度共生矩陣的紋理特征輔助SAR圖像分類，合適的位移向量、尺寸的窗口，以及紋理特征選擇，是影響分類精度的重要因素。本文針對圖像中的典型的軍事目標，詳細分析位移向量、窗口尺寸以及紋理特征組合對分類影響，在進行大量仿真實驗的基礎上獲取了最佳選則。

2 實驗結果分析

2.1 SAR圖像特征提取與選擇方法

本例所研究的SAR圖像中，機場跑道是主要軍事目標。目的是通過選擇合適的位移向量、合適尺寸窗口以及紋理特征，將跑道與背景更好得區分開來。按照前述步驟的具體分析和實驗過程如下:

(1)在經過預處理的圖像中，分別在跑道和背景中隨機選取數個子圖像塊，作為研究樣本。如圖2所示，在背景區b1，b2，b3，b4以及跑道區m1，m2，m3，m4，m5，m6，m7，m8等處分別選取大小為92×88，42×87，55×71，65×33，14×34，28×19，18×20，18×31，15×16，13×26，14×16，20×13的子圖像塊。

(2)設定窗口大小范圍為3×3到13×13，位移向量(dr，dc)∈{0，1，2，3，4，5}×{0，1，2，3，4，5}，分別計算各樣本在每個窗口大小和位移向量下的ASM值。

(3)將背景區和跑道區樣本的ASM值進行統計，計算出兩區域ASM的平均值之差。

(4)選取兩區域ASM平均值之差最大的一組，分別做出背景區和跑道區ASM的統計直方圖，觀察直方圖的分布狀況。如果兩部分的直方圖沒有重疊或重疊部分極少，那么ASM可作為此圖像的一種紋理特征描述量，并且在此時的窗口大小和位移向量下效果最佳;如果兩部分的直方圖有較大重疊，說明根據ASM不能很好地區分出跑道和背景，那么ASM就不能作為此圖像的紋理特征描述量。

(5)采用同樣的方法，分析ENT、CON、COR和HOM，并進行計算。

2.2 實驗結果

按上述分析，用Matlab進行仿真實驗，得到如下結果:

(1)在窗口尺寸為3×3，位移向量為時，兩組樣本的ASM平均值之差最大為0.05。統計直方圖如圖3所示，兩組直方圖有重疊部分，但重疊部分數量極少，對區分兩組樣本影響不大，所以，ASM可作為此圖像的一種紋理特征描述量。

圖3 統計直方圖

(2)在窗口尺寸為13×13，位移向量為時，兩組樣本的CON平均之差值最大，為22.93。統計直方圖如圖4所示。兩組樣本的統計直方圖幾乎全部重疊，故根據CON不能區分出跑道和背景，CON不能作為此圖像的紋理特征描述量。本實驗的最優窗口尺寸達到了設定的上限，如果窗口尺寸范圍更大，效果可能會好。但由于在所選的SAR圖像中，跑道中最窄區域的寬度只有13個像素，所以窗口尺寸的上限只能到13×13。

圖4 統計直方圖

(3)在窗口尺寸為5×5，位移向量為時，兩組樣本的COR平均值之差最大，為1.57。同樣，直方圖有極少量重疊，但不足以影響對目標的區分，可以將COR作為此圖像的一種紋理特征描述量。

圖5 統計直方圖

(4)在窗口尺寸為13×13，位移向量為時，兩組樣本的ENT平均值之差最大，為0.41。統計直方圖如圖6所示。兩組樣本的ENT的統計直方圖沒有重疊部分，所以ENT可作為此圖像的一種紋理特征描述量。

圖6 統計直方圖

(5)在窗口尺寸為3×3，位移向量為(1，0)時，兩組樣本的HOM平均值之差最大為0.14。統計直方圖如圖7所示。兩組樣本的HOM統計直方圖基本全部重疊，故根據HOM不能區分出跑道和背景，HOM不能作為此圖像的紋理特征描述量。

圖7 統計直方圖

3 結束語

基于灰度共生矩陣的圖像紋理特征提取方法，是SAR圖像紋理特征提取的有效方法，也是影響SAR圖像分類精度的重要因素［10－12］。根據不同的目標紋理尺度，可選擇適當尺寸的窗口和位移向量計算灰度共生矩陣。文中研究了紋理特征篩選和窗口尺寸以及位移向量選擇的問題，在不同的窗口尺寸和位移向量下，樣本紋理特征的分布及其平均值的相差程度。通過對機場跑道和草坪背景這兩種典型目標的紋理特征選擇與分類實驗，得到有效地區分這兩個目標的3種紋理特征，取得了較好的效果。

［1］ 解洪勝，張虹，徐秀．SVM和DT－CWT的紋理圖像分類方法研究［J］．中國礦業大學學報，2007，36(6):773－778．

［2］ 張劍清，佘瓊，潘勵．基于LBP/C紋理的遙感影像居民地變化檢測［J］．武漢大學學報:信息科學版，2008，33(1):7－11．

［3］ 陳志鵬，鄧鵬．紋理特征在SAR圖像變化檢測中的應用［J］．遙感技術與應用，2002，17(3):162－166．

［4］ 方圣輝，朱武．輔以紋理特征的SAR圖像分類研究［J］．測繪通報，2001(10):94－97．

［5］ RAFAEL C G，RICHARD E W，STEVEN L E．Digital image processing using Matlab［M］．阮秋琦，譯．北京:電子工業出版社，2009．

［6］ 李海權，胡召玲，孫陟文，等．基于紋理的SAR圖像居民地信息提取［J］．遙感應用，2008，96(4):56－79．

［7］ 胡召玲．多源多時相衛星遙感圖像數據融合與應用研究［M］．徐州:中國礦業大學出版社，2006．

［8］ 宋建社，鄭永安，袁禮海．合成孔徑雷達圖像理解與應用［M］．北京:科學出版社，2008．

［9］ 鄭揚，俞能海．基于共生矩陣的SAR圖像村莊識別方法［J］．計算機仿真，2008，25(3):206－209．

［10］ ESLAMI R，RADHA H．Wavelet－based contourlet transform and its ap plication to image coding［C］．Singapore:Proc of IEEE International Conference on Image Processing，2004．

［11］ DO M N，VETTERLI M．Contourlet:a directional multiresolution image representation［C］．Singapore:IEEE ICIP，2002．

［12］ 李虞，劉軍．高分辨率SAR圖像機動目標紋理特征提取與分析［J］．電子信息學報，2008，30(12):2809－2812．