灰度共生矩陣下的遙感圖像分類處理

王超陽

摘要：遙感圖像分類處理可幫助我們充分掌握地物情況，從而提高遙感信息的實用價值。但因遙感圖像所涵蓋的內容非常多，使得其圖像的分類處理具有非常高的難度，采取灰度共生矩陣來提高圖像識別技術的處理效率和質量是本文研究的關鍵，旨在為遙感圖像分類處理提供參考。

關鍵詞：遙感圖像；灰度共生矩陣；實驗

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2019）05-0167-02

在遙感影像中，面狀地物是其中非常多見的地物，主要包括了水域、居民地以及植被等，其與人們的生產生活密切相關，同時也是非常重要的一種地形要素。遙感圖像中面狀地物的提取，使得其在農業林業、航空航天等各方面都有著非常應用價值，但考慮到面狀地物本身具有較高的復雜性，使得在對圖像實施分類處理時，經常性遭遇各種問題[1]。為此，提出一種簡單有效，且操作方便的圖像識別處理技術，能夠較好地實現對面狀地物紋理的快速分析處理，從而判斷其面狀地物特征的方法成了研究的重點[2]。灰度共生矩陣是當前學界公認的具有較強魯棒特性和適應特性的圖像識別技術，其能夠有效實現對圖像的分類和檢索，從而最大程度上實現對遙感圖像分類處理精度的提升。本文結合灰度共生矩陣理論，對其在遙感圖像分類處理中的應用進行探討。

1灰度共生矩陣理論

常規情況下，圖像處理過程中，紋理主要是通過某種局部排列的方式反復多次呈現，它在排列期間并不依賴光照或者顏色，卻能夠較好地呈現圖像的同質特征，為此，在圖像分類處理中紋理是非常重要的一大特征。灰度共生矩陣是基于圖像像素基礎上，對其局部特征以及像素排列規律進行綜合分析，從而掌握圖像像素的間隔與方向情況[3]。早在1973年就有研究者運用灰度共生矩陣來對圖像紋理特征進行提取分析，并在經過反復的實踐后證實，灰度共生矩陣主要是通過灰度在空間范圍內呈現出重復、交替或者某種特定規定的變化。在圖像空間中，當一對像素其之間的間隔距離存在于灰度，且呈現為相互關聯的特點，那么這一對像素就可將其稱之為灰度空間的相關性[4]。共生矩陣實際上就是對這種相關性進行合理利用，從而實現對圖像紋理的有效表達和快速提取。

灰度共生矩陣實際上主要是指，灰度級i的點在離開了某個特定的位置[d=（Dx，Dy）]以此達到灰度為j的概率。主要運用[Pd（i，j）（i，j=0，1，2，…，L-1）]來呈現。其中L主要用于對圖像的灰度級別進行表示；i，j則分別用于像素的灰度做出表示；d則主要是指兩個不同像素之間的方向和距離，簡單來說就是空間位置上的關系；[θ]則主要是指灰度共生矩陣所生成的相應方向，通常情況下為[0°、45°、90°、135°]。

當在確定了兩個是像素之間的位置d之后，即可生成相應的灰度共生矩陣，具體表達如下：

2基于灰度共生矩陣的紋理分析

在灰度共生矩陣的應用期間，主要是通過一個像素在距離、方向上所體現的相關信息來實現對圖像的處理，這是一個圖像分析和處理非常重要的基礎和規律特征。基于灰度共生矩陣下的圖像分類處理，實際上就是經由灰度在空間內進行重復、交替，并通過對像素之間的相關性來實現對紋理的表達與特征的提取。

紋理特征圖像生成主要是經由小窗口的方式來生成相應的子圖像。在對紋理特征進行計算的過程中，可設計出相應的小窗口圖像，其能夠實現對灰度共生矩陣紋理特征值的充分體現；通過對這種窗口的紋理特征賦予一定的值，即可獲得該窗口的中心像素；隨著窗口的移動，其在達到了下一個像素時，即可形成一個相應的新窗口，再通過對其實施計算，即可得到紋理特征值和共生矩陣[5]。通過這種處理方法，即可快速實現對圖像的分類處理，使得紋理特征值轉變為相應的特征圖像。

在對灰度共生矩陣進行計算之前，為了能夠更好地發揮其效果，更加方便計算操作，通常會采取灰度直方圖和壓縮灰度級的方式來進行均衡。直方圖均衡化是一種當前較常使用，且具有較高應用價值的圖像處理方法，其能夠結合圖像的直方圖情況來實現對其對比度的調整。借助直方圖均衡化的處理，可較好地實現對局部對比度相應的增加，特別是針對有用數據對比在逐漸接近的過程中。經由這種處理方法，也可能在直方圖上充分體現其亮度特征。通過這種方法就能夠較好地實現對對比度的提升，從而促使其灰度值因此隨之增強。

基于灰度共生矩陣基礎上，可以分別選取三個不同的統計量，分別為對比度、熵以及相關性進行計算，可較好地實現從空間分布方面的圖像紋理描述。為了能夠更好地實現對紋理特征的準確體現，可借助這些灰度信息以及統計量來實現對紋理信息的最大程度的體現，從而構建起一個相應的特征矩陣[C=[f'f2f3f4]]，再基于此進行FCM聚類處理。

[f2=n=0L-1n2i=0L-1j=0L-1Pd∧（i，j）]

[f3=i=0L-1j=0L-1ijPd∧（i，j）-μ1μ2σ21σ22]

[f4=i=0L-1j=0L-1Pd∧（i，j）logPd∧（i，j）]

[f'=p=1Mq=1NWT]

根據上述公式來看，L-1主要用于對灰度級最大值進行表示；f2主要表示對比度；f3則主要用于相關性；f4主要表示熵；[f']表示灰度信息；[Pd∧（i，j）]主要用于對每個矩陣的行列元素進行表示；W則表示圖像的灰度信息。

3實驗步驟與結果

3.1實驗步驟

基于灰度共生矩陣來進行各項統計量的統計，即可較好實現對圖像紋理特征的體現。在對圖像進行分析過程中，通過灰度共生矩陣的具體實驗操作步驟為：

（1）確定圖像分類數K，算法迭代次數以及勢團參數β；

（2）通過對灰度共生矩陣以及灰度信息聯合運用來建立其實相應的圖像起始分割線；

（3）對特征場參數進行估計；

（4）對特征場的能量以及標號場進行計算；

（5）結合最小能量原則，確定最佳的分割結果。

3.2實驗結果與分析

確定一個合成紋理圖像，該圖像為遙感圖像，源自編號86016的481×321的自然景物圖像。其中紋理合成圖像灰度共生矩陣采取的是3×3的滑動窗口，其步長設定為1，其勢團的參數[β=2.5]，迭代次數設定為100。遙感圖像采取3×3的滑動窗口，其步長設定為1，其勢團的參數[β=2.1]，迭代次數設定為100。分別在[0°、45°、90°、135°]方向上進行灰度共生矩陣。為了能夠更好地了解其處理性能，運用Kappa系數與整體分類精度來進行評價，見表1。

根據上表結果來看，通過Kappa系數與整體分類精度對遙感數據的圖像分類處理結果進行評價，兩項評估指標結果均達到了80%以上。這充分表明，在遙感圖像的分類處理過程中，通過對灰度共生矩陣的運用，能夠較好地實現對面狀地物的合理區分。

4結論

總而言之，在對遙感圖像的分類處理過程中，紋理使其非常重要的基礎，可促使圖像實現快速區分。灰度共生矩陣是一種具有準確性的圖像識別技術，其能夠充分運用圖像的紋理特性，較好地實現對圖像中各種面狀地物的合理分隔，從而達到對圖像的快速處理。為此，在遙感圖像的分類處理中，灰度共生矩陣是一種值得推廣的應用方法。

參考文獻：

[1] 余健.聯合紋理和光譜特征的高光譜圖像分類方法[J].韓山師范學院學報，2017，38（6）：18-26.

[2] 李光，姜春雪，劉爭戰，等.Laws紋理能量結合灰度共生矩陣的遙感影像面狀地物提取[J].測繪與空間地理信息，2017，40（7）：179-181+185.

[3] 王晨，林偉，湯鵬飛，等.基于紋理上下文的遙感圖像目標識別[J].系統工程與電子技術，2017，39（10）：2197-2202.

[4] 賈世英，馬姣婷.基于小波變換和灰度共生矩陣的輪胎花紋檢索[J].計算機測量與控制，2016，24（6）：210-213.

[5] 劉小丹，李陸陸.基于灰度共生矩陣和多尺度MRF的紋理圖像分割[J].微型機與應用，2013，32（13）：46-48.

【通聯編輯：唐一東】