久久99热66热这里只有精品,特黄特色的大片在线观看,亚洲日本三级在线观看,国产三级农村妇女在线,亚洲av毛片免费在线观看,哺乳叫自慰在线看,天天干美女av网

遙感圖像分形特征提取與分割

時(shí)間:2023-04-30 22:57:38 資料 我要投稿
  • 相關(guān)推薦

遙感圖像分形特征提取與分割

2008.1

理論研究 遙感信息

遙感圖像分形特征提取與分割

鄭桂香,藺啟忠

(中國科學(xué)院遙感應(yīng)用研究所,北京100101)

摘要:分形理論由B.B.Mandelbrot于20世紀(jì)70年代中期創(chuàng)立,現(xiàn)已被廣泛地應(yīng)用于自然科學(xué)和社會(huì)科學(xué)的幾乎所有領(lǐng)域。本文在前人研究的基礎(chǔ)上,利用雙毯法(DoubleBlanketMethod)提取出圖像的分形特征并用于圖像分割,進(jìn)一步證實(shí)了分形在此領(lǐng)域的可行性和有效性。首先,通過比較局部分形維數(shù)偏移全局分形維數(shù)的標(biāo)準(zhǔn)差來確定適合該方法的最優(yōu)滑動(dòng)窗口。其次,考慮到單尺度分維特征的局限性,提取出多尺度的特征值并建立分形維數(shù)譜。然后,以模擬圖像為例,分析圖像中各區(qū)域的分維譜,選擇適當(dāng)尺度的分形特征,利用最大似然法對(duì)圖像進(jìn)行分割。最后,將分形理論應(yīng)用于遙感圖像中,與傳統(tǒng)的基于灰度值特征的圖像分割方法相比,加入圖像的空間分形紋理特征后分割精度明顯提高。研究結(jié)果表明:分維值的大小和變化趨勢(shì)可以表示不同地物的空間復(fù)雜度,結(jié)合地物的光譜以及灰度信息能有效地識(shí)別目標(biāo)地物。

關(guān)鍵詞:遙感;多尺度分形;雙毯法;圖像分割

中圖分類號(hào):TP751 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1000-3177(2008)95-0009-07

1 引 言

自B.B.Mandelbrot創(chuàng)立分形以來,分形理論被廣泛的應(yīng)用于山脈、河流、云等地表真實(shí)景觀的模擬。Pentland觀察到自然過程產(chǎn)生了分形曲面,通過對(duì)曲面數(shù)據(jù)的分析可以得出其分形特征。他提出用分形維數(shù)去描述自然表面的粗糙度[1]。自然表面的分形性決定了圖像的分形性,Peleg等人提出雙毯法,根據(jù)圖像的灰度曲面面積,計(jì)算不同尺度下的分形維數(shù),應(yīng)用于圖像中目標(biāo)與背景的識(shí)別[2~3]。近年來,分形理論被引入到遙感領(lǐng)域,主要應(yīng)用在遙感影像的特征信息提取[4]、信息融合、輔助遙感圖像分類和以及模擬遙感圖像等方面。孫家柄利用分形與小波方法進(jìn)行航片與TM的特征融合,提高了影像的信息量和清晰度[6];舒寧則采用分形方法進(jìn)行單波段影像的分維估計(jì)與多波段影像紋理分析[7],這些研究均促進(jìn)了分形理論與遙感科學(xué)的交叉發(fā)展。

基于雙毯法進(jìn)行遙感圖像分形特征的提取,目的在于通過對(duì)提取特征的分析識(shí)別不同的地物類型,同時(shí)將圖像的空間結(jié)構(gòu)分形紋理特征加入到圖像分割,結(jié)合圖像的光譜以及灰度信息,提高圖像分

收稿日期:2007-06-13

基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目(40371085)

[5]

割的精度。分形理論應(yīng)用于遙感圖像,為遙感信息科學(xué)提供了嶄新的理論指導(dǎo)和技術(shù)方法,隨著研究的不斷深入一定會(huì)涌現(xiàn)出更多的新成果,從而有力地推動(dòng)遙感信息科學(xué)的進(jìn)程。

2 分形與分形維數(shù)

Mandebrot指出分形具有三要素:形狀、機(jī)遇和維數(shù)[8]。分形的形狀是指事物支離破碎、參差不齊等不規(guī)則性特征。機(jī)遇用來描述對(duì)象的差異性;維數(shù)則是用分?jǐn)?shù)的形式來定量描述客觀事物的 非規(guī)則 程度。分形具有自相似性和自仿射性,并且在某種意義下分形維數(shù)嚴(yán)格地大于其拓?fù)渚S數(shù)[9]。常見的維數(shù)有相似維、Hausdorff維、盒維數(shù)、信息維數(shù)、關(guān)聯(lián)維數(shù)等。本文根據(jù)圖像數(shù)據(jù)的特點(diǎn)應(yīng)用雙毯法計(jì)算圖像的分維值。

Peleg在分形布朗隨機(jī)模型的基礎(chǔ)上,基于圖像表面的灰度信息創(chuàng)立了 雙毯法 。該方法將圖像視為一座山丘,高度為圖像的灰度值,在距該表面為r的兩側(cè)形成厚度為2r的毯子。對(duì)于不同的r,毯子的面積可以重復(fù)如下計(jì)算[2]:

設(shè)f(i,j)代表灰度值函數(shù),ur,br分別代表上表面和下表面。先令

作者簡介:鄭桂香(1983~),女,湖南寧鄉(xiāng)人,中科院遙感所在讀碩士研究生,主要從事資源環(huán)境遙感研究。E mail:zhenggui913@163.com

9

遙感信息

理論研究 2008.1

該方法對(duì)模擬圖像進(jìn)行實(shí)驗(yàn)。參照T.Parrinello生成的模擬圖像[12],本實(shí)驗(yàn)中的第一個(gè)圖像由一個(gè)隨機(jī)函數(shù)和一個(gè)確定的函數(shù)生成,第二個(gè)圖像則由兩個(gè)不同的隨機(jī)函數(shù)產(chǎn)生。

模擬圖像見(圖1(a))的大小為256#256像元,由兩個(gè)同心矩形組成,像素值范圍0~255。外部環(huán)形區(qū)域是在matlab軟件中根據(jù)randn函數(shù)生成的服從(0,1)分布的圖像,內(nèi)部矩形區(qū)域則根據(jù)如下函數(shù)式產(chǎn)生:Iinner(x,y)=100cos(0.03x

3)

+127。模擬圖像(b)的不同之處在于其內(nèi)部區(qū)域由滿足均值方差為(2,10)的隨機(jī)正態(tài)分布函數(shù)生

成。

u0(i,j)=b0(i,j)=f(i,j)

則上下兩張 毯子 分別沿如下的方法生長:

(1)

ur(i,j)=max{ur(i,j)+1,

d(i,j,m,n) 1

maxur(m,n)},r=1,2,3!

(2)

br(i,j)=max{br1(i,j)+1,

d(i,j,m,n) 1

maxbr1(m,n)},r=1,2,3!

(3)

其中,d(i,j,m,n)代表(i,j)與(m,n)之間的距離。因此, 毯子 的表面積為:

(4)

2r

2 由于分形表面積符合關(guān)系式A(r)?k*r,等式兩邊同時(shí)取對(duì)數(shù),則

logA(r)=C1logr+C0(5)

式中,C1為擬合直線的斜率。由此可以得到分形維數(shù)D=2C1。

k+w

A(r)=

i,j

(ur(i,j)br(i,j))

A(k,l,r)=

i=kj=lw

l+w

(ur(i,j,r)

2r

br(i,j,r))

(6)

(a)模擬圖像1(b)模擬圖像2

圖1

圖像的局部分形維數(shù)(LFD)[3],即圖像中每個(gè)像元的分形維數(shù)值是以像元(k,j)為中心,選擇大小為(2w+1)#(2w+1)的滑動(dòng)窗口,由公式(5)、(6)導(dǎo)出,并且將圖像中的均一區(qū)域作為一個(gè)計(jì)算窗口可以得到圖像的全局分形維數(shù)(GFD)。

理論上分形具有尺度不變性,在所有的尺度上均滿足自相似性,但實(shí)際的圖像僅在一個(gè)小尺度范圍內(nèi)

2D

呈分形特征,因?yàn)锳(r)?k*r只是一個(gè)近似公式,logr與logA(r)并不是嚴(yán)格的線性關(guān)系,因而隨尺度的變化,分維值也會(huì)發(fā)生變化,但最終趨于恒定。

為了更好的進(jìn)行圖像分割,這里引入多尺度分[3,10]

形特征,即一定范圍內(nèi)分維值隨尺度變化的特征。此概念的理解可以參照遙感圖像的多光譜或者高光譜特征,由于目標(biāo)地物對(duì)太陽輻射的反射、散射能力隨波長的變化,因此在不同波段有不同的地面

[11]

反射率。同于多光譜或者高光譜,我們可以根據(jù)不同尺度對(duì)應(yīng)的分維值建立分形維數(shù)譜,客觀定量地表示分維值隨尺度的變化及其規(guī)律。

3 模擬實(shí)驗(yàn)

為了驗(yàn)證分形方法對(duì)圖像分割的可行性,先用3.1 單尺度分形特征

理論上而言:由于隨機(jī)圖像的不規(guī)則性導(dǎo)致分形維數(shù)必定比規(guī)則性圖像大,圖1(a)中外部區(qū)域的分形維數(shù)大于內(nèi)部區(qū)域趨近于3,內(nèi)部區(qū)域由規(guī)則函數(shù)生成,分形維數(shù)在2附近波動(dòng)。圖1(b)中內(nèi)外區(qū)域的圖像紋理都比較復(fù)雜,分形維數(shù)均趨近于3。針對(duì)此理論,該實(shí)驗(yàn)提取出圖像的單尺度特征對(duì)其進(jìn)行驗(yàn)證。

為選擇適合本圖像分形維數(shù)計(jì)算的滑動(dòng)窗[13]

口,從圖像中隨機(jī)截取20個(gè)大小為32#32像元的區(qū)域。以尺度r=10為例,分別計(jì)算出3#3,5#5,7#7,9#9窗口的局部分形維數(shù)(LFD)和整個(gè)圖像的全局分形維數(shù)(GFD),如圖2所示。用SE表示LFD偏離GFD的標(biāo)準(zhǔn)差,四個(gè)窗口所得的SE分別為:0.039381,0.025816,0.020892,0.021352。窗口越大LFD與GFD越接近,局部分形維數(shù)越能反映整個(gè)圖像的分形特征。但考慮到時(shí)間復(fù)雜度和圖像的局部細(xì)節(jié)以及邊緣效應(yīng),本研究中采用的滑動(dòng)窗口大小為5#5,此時(shí)LFD與GFD偏移不大并且能較好的保留圖像的局部特征。

利用5#5的滑動(dòng)窗口,在尺度r=10的情況下得到整個(gè)圖像的LFD。模擬圖像1由于外部區(qū)域

2008.1

理論研究 遙感信息

圖2 尺度r=10,LFD與GFD的線性擬合圖

和內(nèi)部區(qū)域生成機(jī)理的不同,分形特征存在很大差異。圖3(a)是該圖的分形維數(shù)頻率分布直方圖,直方圖中明顯的存在兩個(gè)不同的區(qū)段。分形值域(2,2.35),基本上反映的是內(nèi)部區(qū)域的分形特征,而值域(2.8,3.0)反映的是外部區(qū)域圖像的分形特征。確定性函數(shù)產(chǎn)生的圖像復(fù)雜度小,灰度曲面的變化

小,而隨機(jī)函數(shù)生成圖像紋理復(fù)雜,分維值相對(duì)于前者較大。圖3(b),模擬圖像2的分形維數(shù)頻率分布直方圖所示:整個(gè)直方圖成高斯分布,只有一個(gè)峰值,并且分維值的取值范圍在(2.8,3)之間,內(nèi)外區(qū)域的分形復(fù)雜度差異不大,因此實(shí)驗(yàn)所得分維值與理論估計(jì)值基本相似。

(a)模擬圖像1(b)模擬圖像2

圖3 分形維數(shù)頻率分布直方圖

為了更好的研究不同區(qū)域地邊緣特征,在圖像y=140處,提取出分形圖像的水平剖面,如圖4(1)所示。第一部分和第三部分表示圖像的外部區(qū)域,分維值域?yàn)?2.8,3),第二部分表示圖像的內(nèi)部區(qū)域,分維值域?yàn)?2,2.35)。并且在(50,140),(200,140)附近分形維數(shù)波動(dòng)最大,由最高值跳到最低值,

反映圖像的邊緣變化。根據(jù)上述分析,對(duì)模擬圖像1而言,單一尺度的分形特征反映了圖像中不同區(qū)域的特點(diǎn),可以利用此特征進(jìn)行圖像的分割。復(fù)雜的紋理圖像,如模擬圖像2,由圖3(b)、4(b)所示,單一尺度的分形特征無法區(qū)分不同的區(qū)域。

(a)模擬圖像1(b)模擬圖像2

圖4 分形圖像水平剖面(y=140處):

遙感信息

理論研究 2008.1

數(shù)值要稍大?梢越忉尀:相對(duì)于外部區(qū)域而言,內(nèi)部區(qū)域服從均值方差為(2,10)的高斯正態(tài)分布,相比于(0,1)分布圖像要更加復(fù)雜,影像的紋理更加不規(guī)則。%內(nèi)部區(qū)域在尺度11附近即達(dá)到峰值而外部區(qū)域在尺度18附近才達(dá)到峰值。并且圖5(1)中左側(cè)曲線相對(duì)于圖5(2)來說都要更加陡一些。根據(jù)實(shí)驗(yàn)數(shù)據(jù),內(nèi)部區(qū)域在r=3,10,100處的分維值要高于外部區(qū)域,便于進(jìn)行目標(biāo)的識(shí)別,因而選擇提取了這三個(gè)尺度分維特征,生成模擬圖像2的局部

分形維數(shù)圖。

3.2 多尺度分形特征

由于單一尺度分形特征的局限性,因此提取出圖像各尺度的分形特征進(jìn)行分析。在模擬圖像2內(nèi)部和外部區(qū)域分別選擇10個(gè)樣本點(diǎn)進(jìn)行1~100尺度的分形維數(shù)的計(jì)算,有代表性的分形維數(shù)譜如圖5所示:(1)表示內(nèi)部區(qū)域的分形維數(shù)譜;(2)表示外部區(qū)域的分形維數(shù)譜。因?yàn)闃?gòu)成機(jī)理均為服從高斯分布的函數(shù),其譜曲線形狀相似,并且在尺度100左右分維值趨于恒定。其不同點(diǎn)在于:?內(nèi)部區(qū)域的譜曲線要稍微高于外部區(qū)域的譜曲線,也即分形維

(a)內(nèi)部區(qū)域(b)外部區(qū)域

圖5 模擬圖像2分形維數(shù)譜

3.3 模擬圖像分割

傳統(tǒng)的圖像分割是根據(jù)圖像的灰度或者彩色特征,將圖像空間分為不同的區(qū)域。但在實(shí)際景觀中,地物具有一定的空間結(jié)構(gòu)特征,利用空間特征紋理的差異可以比較容易的區(qū)分不同的類型,而單純的亮度信息則不一定能很好地區(qū)分。

結(jié)合分形維數(shù)對(duì)傳統(tǒng)方法進(jìn)行改進(jìn),對(duì)于較復(fù)雜圖像綜合了分維的多尺度特征,利用最大似然法對(duì)圖像進(jìn)行分割。圖6(a)僅利用傳統(tǒng)灰度方法對(duì)模擬圖像1進(jìn)行的圖像分割,分割效果不太理想。圖6(b)綜合了尺度為10的分形特征對(duì)其進(jìn)行分割,樣本分割精度達(dá)到了99.0404%,其Kappa系數(shù)為0.9807

。

[11]

針對(duì)模擬圖像2,無論是傳統(tǒng)分割方法還是結(jié)合了單一分形維數(shù)的分割方法結(jié)果均不理想。基于灰度特征值的分割精度僅61.0956%,Kappa系數(shù)為0.2156,但加入了單尺度分維特征后,分割精度有所提高,表1所示。當(dāng)三個(gè)尺度分維特征均參與圖像分割時(shí),樣本數(shù)據(jù)的分割精度達(dá)到了98.0008%;多尺度分形特征考慮了圖像的空間結(jié)構(gòu)信息,其優(yōu)化組合提高了圖像分割的精度。

表1 模擬圖像2各尺度分維分割精度比較Scale: 3101003,1010,1003,1003,10,100

OverallAccuracy76.9292%76.4494%76.8892%78.8085%96.2015%88.2047%98.0008%

KappaCoefficient

0.54260.53420.54300.58340.92340.76490.9597

此外,本實(shí)驗(yàn)也嘗試了利用與遙感植被指數(shù)的計(jì)算方法相似的思想得到分維指數(shù),先求得在尺度r=10以及尺度r=100下原圖像的分維圖,然后利

(a)基于灰度值的圖像分割

(b)綜合分形特征的圖像分割

用公式(r10r100)/(r10+r100)得到指數(shù)圖像,并結(jié)合尺度r=100下的圖像進(jìn)行圖像分割,理論上分割效果比r=10,r=100的簡單結(jié)合要好,但是此實(shí)

圖6 模擬圖像1分割效果圖

2008.1

理論研究 遙感信息

驗(yàn)中分割精度僅為93.7625%,Kappa系數(shù)為0.8745,這樣的結(jié)果與圖像本身的特點(diǎn)以及尺度選擇有關(guān)。最優(yōu)分維指數(shù)的探討是今后分形圖像研究中的一個(gè)重要話題。

VFDI=FDband3,r=30FDband2,r=100(2)

此外,鹽田的分形維數(shù)在第3波段的整體下降

與對(duì)該波段處的強(qiáng)吸收造成的DN值較小有關(guān)。

(3)分形維數(shù)在一定的范圍內(nèi)波動(dòng)但隨尺度變化趨于恒定。由于ASTER1、2、3波段圖像的空間分辨率為15m,混合像元的存在必將造成像元內(nèi)成分的不均一,以致分形維數(shù)在一定的范圍內(nèi)波動(dòng),但是由于維數(shù)是用來定量的反映目標(biāo)物體的不規(guī)則性,圖8中各曲線最終趨于平緩。

(4)分形維數(shù)隨尺度的變化可以用來描述目標(biāo)或者區(qū)分潛在的目標(biāo),當(dāng)一些尺度同一類內(nèi)具有相

(a)尺度10 (b)尺度3,10,100

似信息而不同類間具有很大差別時(shí),這些尺度可以用于目標(biāo)的識(shí)別和特征提取。波段1中,尺度30~50的分維值,波段2中尺度35~70的分維值以及波段3中,尺度45~85的分維值均可以用來作為特征提取因子識(shí)別目標(biāo)地物。

圖7 模擬圖像2分割效果圖

4 遙感圖像分割實(shí)驗(yàn)與分析

研究中選用的數(shù)據(jù)源為天津南部地區(qū)海河入海處2001年8月21日的ASTER的1、2、3波段數(shù)據(jù),選取了大小為512#512的區(qū)域作為實(shí)驗(yàn)區(qū)。該區(qū)域的土地利用類型比較有代表性,包括水域、植被、城鎮(zhèn)用地、裸地和鹽田。

4.1 分形特征提取與分析

采用上述提到的分析方法和流程,試驗(yàn)中對(duì)該遙感圖像進(jìn)行了相同的處理,提取了三個(gè)波段具有代表性的地物分形維數(shù)譜,如圖8所示,得出如下結(jié)論:

(1)分形維數(shù)反映地表的粗糙度,自然景物的分形維數(shù)值較小并且隨尺度的變化小而人工景物則相反。水域、裸地的紋理結(jié)構(gòu)簡單均一,分形維數(shù)相對(duì)較小隨尺度變化范圍也小;鹽田、植被(包括耕地)、城鎮(zhèn)用地由于受人工的影響,地表不規(guī)則,紋理結(jié)構(gòu)粗糙分形維數(shù)值較大,分形維數(shù)隨尺度的變化也大。

(2)灰度信息影響分形維數(shù),與其成正相關(guān)關(guān)系。由于波段1、2、3分別表示地物在0.5560 m,0.6610 m,0.8070 m附近的發(fā)射光譜響應(yīng)DN值,分形維數(shù)在此范圍內(nèi)表現(xiàn)出與反射光譜相同的變化。植被的分形維數(shù)滿足FDband3>FDband1>FDband2,這與植被在近紅外的高反射、綠光波段的強(qiáng)反射以及對(duì)紅光波段的吸收造成的低反射有關(guān)。因此參照光譜和植被指數(shù)的概念,可以試圖建立植被分維指數(shù)VFDI(VegetationFractalDimensionIn dex),FDband3,r=30表示ASTER第三波段在尺度r=30下的分形維數(shù),FDband2,r=100表示ASTER第二波段在尺度r=100下的分形維數(shù)。

4.2 遙感圖像分割

采用5#5的滑動(dòng)窗口,計(jì)算出圖像在尺度r=30,40,70的分形維數(shù)值,提取其分形特征后利用最大似然法對(duì)圖像進(jìn)行分割。經(jīng)過多次反復(fù)實(shí)驗(yàn),得出如下結(jié)論:?多分形特征參與的圖像分割較之單分形特征對(duì)圖像分割效果有所改善。僅利用灰度信息對(duì)圖像分割的總分割精度為:82.6986%,Kappa系數(shù)為0.7819;在原圖的基礎(chǔ)上加入單一分形特征后分割精度提高,最高為84.7116%(尺度r=70);在此基礎(chǔ)上,加入尺度r=40后分割精度達(dá)到85.8426%。%分形特征能很好的區(qū)分灰度信息接近而紋理結(jié)構(gòu)不同的地物類型,如圖9中所示的裸地和城鎮(zhèn)用地。因?yàn)槌擎?zhèn)用地與裸地的顏色接近,基于灰度值的圖像分割容易造成兩者的混淆,而分形紋理能明顯的將兩者區(qū)分出來。圖9(a)中右下角部分為裸地中的沙地,在圖中與城鎮(zhèn)用地顏色相差不大,均為青色。但在求出的分維圖9(b)中顏色卻與城鎮(zhèn)用地差異很大。這是由于沙地較城鎮(zhèn)用地結(jié)構(gòu)簡單,分形曲面起伏不大,分形維數(shù)較小,顏色較深。&分形能從宏觀上把握目標(biāo)的邊緣特征但對(duì)細(xì)節(jié)部分把握不夠。圖9(d)中各地物類型的區(qū)分明顯,并且成片分布,但是喪失了部分細(xì)節(jié)信息。

5 結(jié)束語

本文通過對(duì)模擬圖像和遙感圖像的分形特征提取與分割實(shí)驗(yàn)證實(shí)了傳統(tǒng)的基于灰度值特征分割方法的不足以及單一尺度分形特征的局限性,引入多

遙感信息

理論研究 2008.1

尺度分形特征建立分形維數(shù)譜,來客觀定量地描述各種地物的空間結(jié)構(gòu)差異。實(shí)驗(yàn)中結(jié)合多尺度分維特征,遙感圖像的分割精度達(dá)到了85.8426%,提高了3%以上。并且根據(jù)遙感圖像分維譜,我們可以清楚的識(shí)別各種地物不同的空間結(jié)構(gòu)差異:水域、裸地的紋理結(jié)構(gòu)簡單均一,分形維數(shù)相對(duì)較小并且隨尺度變化范圍也小,分維曲線值較低并且平緩;

鹽田、植被(包括耕地)、城鎮(zhèn)用地由于受人工的影

響,地表不規(guī)則,紋理結(jié)構(gòu)粗糙,分形維數(shù)值較大,隨尺度的變化也大,分維曲線偏高且不太平緩。

研究結(jié)果表明:分形特征是描述圖像信息的一種有效特征量,根據(jù)分維值的大小和變化趨勢(shì)可以表示不同地物的空間復(fù)雜度,利用分形能夠把圖像的空間信息和灰度信息有機(jī)的結(jié)合起來。

參考文獻(xiàn)

1 A.P.Pentland.Fractalbaseddescriptionofnaturalscenes[J].IEEETrans.,1984,PAMI-6,(6):661~674.

2 S.Peleg,J.NaoR,R.HartleyandD.Avnir.Multipleresolutiontextureanalysisandclassification[J],IEEETrans.,1984,

PAMI(6):518~523.

2008.1

理論研究 遙感信息

3 T.Peli.Multiscalefractaltheoryandobjectcharacterization[J].J.Opt.Soc.AmA,1990,7(6):1101~1112.4 江東,王建華.遙感信息科學(xué)中的分形思維[J].甘肅科學(xué)學(xué)報(bào),2000,12(1):53~57.5 吳健平.分形理論在遙感中的應(yīng)用[J].遙感技術(shù)與應(yīng)用,1993,8(12):23~27.6 孫家柄,劉繼琳,李軍.多源遙感影像融合[J].遙感學(xué)報(bào),1998,2(1):47~50.

7 舒寧.衛(wèi)星遙感影像紋理分析與分形分維方法[J].武漢測繪科技大學(xué)學(xué)報(bào),1998,23(4):370~373.8 B.B.Mandelbrot著.文志英,蘇虹譯.分形對(duì)象?形狀、機(jī)遇與維數(shù)[M].北京:世界圖書出版公司,1999.9 B.B.Mandelbrot.TheFractalGeometryofNature.Freeman[M].SanFrancisco,Cali,1982.

10 JayFeng.Fractionalfractalgeometryforimageprocessing[D].Illinois:NorthwesternUniversity,2000.11 趙英時(shí),等.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003.

12 T.ParrinelloandR.A.Vaughan.Multifractalanalysisandfeatureextractioninsatelliteimagery[J].INT.J.Remote

Sensing,2002,23(9):1799~1825.

13 SonnyNovianto,etal.Nearoptimumestimationoflocalfractaldimensionforimagesegmentation[J].PatternRecognition

Letters,2003(24):365~374.

FractalFeatureExtractionandSegmentationofRemoteSensingImagery

ZHENGGui xiang,LINQi zhong

(InstituteofRemoteSensingApplication,ChineseAcademyofSciences,Beijing100101,China)

Abstract:FractalmethodisanewsubjectwhichwasfoundedbyAmericanscientistB.B.Mandelbrotinthemiddleof1970s,whichiswidelyappliedtoalmostallthefieldsofphysicalandsocialsciences.Basedonpreviousstudies,thispaperextractedthefractalfeaturesofimagesbyusingtheDoubleBlanketMethodandappliedthemtoimagesegmentationwhichshowedthevalidityandfeasibilityoffractalinthisfieldfurther.Firstly,anoptimumwindowwasselectedbycomparingthestandarderrorbetweenlocalandglobalfractaldimensions.Secondly,multi scalefractalfeatureswereextractedandfractaldimensionspec trumswereestablishedwithregardtosingle scale(slimitation.Then,byanalyzingobjectfractaldimensionspectrum,appro priatefeatureswereutilizedtosimulativeimagesegmentationbasedonthemaximumlikelihoodmethod.Atlast,fractaltheorywasbestowedtoremotesensingimage.Relativetothetraditionalmethodconsistedofonlygraylevelfeatures,theoverallseg mentationaccuracywasobviouslyimprovedwhenconsideredthespatialfractaltexturefeatures.Theresultsshowedthatfractaldimensionanditschangetrendcoulddisplayspatialcomplexityofdifferentobjects.Combinedwiththespectrumandgraylevelinformation,theobjectscanbediscriminatedeasily.

Keywords:remotesensing;multi scalefractal;DoubleBlanketMethod;imagesegmentation(上接第8頁)

ANewMethodofAcquiringThreeComponentsofDeformation

DisplacementBasedonDInSARTechnique

ZHAXian jie,FURong shan,LIUBin,DAIZhi yang,SHAOZhi gang,HANLi bo(SchoolofEarth&SpatialScience,ChineseScienceTechnologyUniversity,Hefei230026)

Abstract:AnewmethodofacquiringthreecomponentsofsurfacedeformationusingthreeSARinterferogramswithdifferentsatellite(slineofsightispresented.Toverifythismethod,interferogramsoftwotypeidealsurfacedeformationsare遙感圖像分形特征提取與分割modeledwiththreegroupofsatelliteorbitsdata.Thenthedifferencephasefieldisunwrappedusingtheleast squaresmethod,thusac quiringthedeformationdisplacementinthelineofsightfromtheunwrappedinterferograms.Nextthroughvectorcomposition,threecomponentsofsurfacedeformationdisplacementfromthedisplacementinthelineofsightareobtained.Finallytheerrorsofinversionresultsareanalyzed.Theerrorsarelessthan15%,whichdemonstratesthefeasibilityofourmethod.Keywords:DInSAR;surface;deformationfield;interferogram;phaseunwrapping

【遙感圖像分形特征提取與分割】相關(guān)文章:

分形方法在SAR圖像分割中的應(yīng)用04-28

基于遙感圖像地形結(jié)構(gòu)-巖性組分分解的巖類多重分形特征研究04-28

基于分形理論的SAR圖像邊緣檢測04-27

閾值分割和數(shù)學(xué)形態(tài)學(xué)在遙感圖像邊緣提取中的應(yīng)用04-30

遙感圖像薄云濾波增強(qiáng)05-03

圖像的方向特性與分形-小波變換編碼04-28

像素級(jí)遙感圖像融合方法研究04-29

基于SVM的遙感影像空間特征提取和分類研究04-29

基于紋理分析的滑坡遙感圖像識(shí)別04-27

數(shù)字圖像分割方法研究04-30