点击下方卡片，关注“新机器视觉”公众号
重磅干货，第一时间送达
来源：最机智的IT
终于又过了一个周末，有时间总结一下上上周的课设内容~
前两周的课设主题是目标识别与检测，具体领到的题目是遥感图像分类，细化到个人的任务是基于灰度共生矩阵（GLCM）的图片特征提取。最终实现了50帧样本图像的256个特征提取工作。总结下来是一个比较基础的课设，也可以学到很多东西。
下面就开始今天的分享！
01
—
理论篇
今天主要讨论遥感图像分类。提到图像分类，追根溯源，要从模式识别谈起。了解模式识别的原理对理解图像分类有一定帮助。模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。模式识别的流程直接上图更清楚些。
图1 模式识别流程图
由此引入遥感图像分类的基本原理：
基于遥感图像中反映的同类地物的特征相似性和异类地物的特征差异性。通过分析特征空间中点群的位置分布中心、分布规律等，确定点群的界限，完成分类。
遥感图像分类的（主要步骤/分类过程）
1.分类预处理:大气校正、几何校正与配准
2.特征选择(提取)
3.分类(监督分类训练区的选择)
4.分类后处理，包括精度评价
5.专题图制作
上述分类过程基本可以说是我们课设小组实现的全部工作。而我负责做的特征选择(提取)部分，就是在接收到批量预处理的图片后，对每张图片进行特征提取工作，每张图片提取256个特征值，得到50*256样本特征值矩阵。之后将特征值矩阵传递给做分类的同学，就可以实现整个分类过程。那么什么是特征提取呢？
特征提取（Feature extraction）
利用一定算法找出最能反映地物类别差异的特征变量用于分类的过程。遥感图像的特征包括光谱特征（Spectral features）、空间几何特征（geometrical features）、纹理特征（Texture features）和辅助数据（auxiliary data）。本次提取的是遥感图像的纹理特征。
纹理特征（Texture extraction）
纹理:地物颜色和灰度的某种变化特征，在图像中局部呈现不规则变化，而在整体和宏观上表现出某种规律性的图斑。不同图片的纹理不同，比如有这样的：
也有这样的：
不同图像的纹理不同，对应的纹理参数也不同。因此以此为切入点，提取不同类别图像的纹理参数，之后输入到分类器中即可实现图片分类。
表示纹理的方法:
–图斑内像元的均值和标准偏差（直方图统计)
-灰度共生矩阵(GLCM)
-分形维数
本文就是基于灰度共生矩阵(GLCM)对遥感图像的特征进行提取。灰度共生矩阵(Gray level co-occurrencematrix，GLCM)是学术界公认的具有较强鲁棒性和适应特性的理论，并且也是研究遥感图像像素值空间关系的常用方法。
灰度共生矩阵GLCM
灰度共生矩阵法，就是通过计算灰度遥感图像得到它的共生矩阵，然后透过计算这个共生矩阵得到矩阵的部分特征值，来分别代表遥感图像的某些纹理特征，具体见图2。
图2 GLCM概念图
直接放报告原文：
本文选取0、45、90和135四个方向，选择的距离为1
灰度共生矩阵计算完毕后，就是计算特征向量啦！
生成GLCM特征向量
本文选用均值、方差、标准差、逆差矩、能量、熵、惯性矩、相关作为遥感图像子区域的8维纹理参数。
公式太难打了，就直接上报告了：
对于一帧图像，首先灰度级量化，由256级量化为16级。第二将图片分割成32块子区域，对每个区域求四个方向的GLCM矩阵。之后对矩阵归一化计算矩阵对应的纹理参数，得到子区域纹理特征。最终串联所有的子区域特征，得到一帧图像的256个特征向量。
02
—
实操实战
依据Part One中的理论，基于MATLAB软件，实现过程流程图如下：
总结来说，对于一帧样本图像，首先进行灰度级量化，将遥感图像由256级量化为16级。 第二步将图片分割成32块子区域，对每个区域求解其四个方向的GLCM矩阵。之后对GLCM矩阵归一化，并计算矩阵对应的纹理参数，得到子区域纹理特征。最终串联所有的子区域特征，得到一帧遥感图像最终的256个特征向量，可作为后续KNN算法的训练数据集。（在实际操作第二步第一步是对调了的）
对于某一帧图像为例，原图如下，就叫他‘50’吧：
将其分割为32个子区域，并保存到以文件夹路径中。如下图所示：
显示一下：
之后调用程序，就可以获得对应图像的256个特征值了。
为了对比选用的各个特征（均值、方差、标准差、逆差矩、能量、熵、惯性矩、相关）是否能显著体现图片差异，在未对遥感图像进行子区域划分前，通过计算50帧图像的4个共生矩阵得到8维特征值，分别代表遥感图像的某些纹理特征。首先对遥感图像四个方向的GLCM矩阵求出的纹理参数求均值，之后对每类10张图片的相同特征求均值，最终得到图片的特征矩阵8*5特征值矩阵，归一化后如下表所示。
绘制成直方图如下所示。
分析可得不同遥感图像在同种类别的纹理特征值中，其数值就存在明显的差异。各类遥感图像的均值、标准差、逆差距、熵分布差异相比惯性矩、相关性和能量较小，因此惯性矩、相关性和能量在此种特征范围划分下更能反映不同类别遥感图像的差异。由图可见，十字路口的相关性最大，港口的相关性最小；停车场的惯性矩最大，球形储罐的惯性矩最小；球形储罐的能量最大，密集住宅的能量最小，各类遥感图像均有各自特征。也表明了选取的遥感图像不同，则提取的纹理特征值也会存在较大的差异，这种差异规律基本与实际的遥感图像纹理情况相符合。
声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。