AVHRR图像上的水体提取

AVHRR图像上的水体提取

●AVHRR图像上水体表现及特征分析

●AVHRR图像上的水体识别提取模型

AVHRR图像上水体表现及特征分析

●AVHRR数据拥有5个通道（CH），CH1（0.58-0.68微米）属橙色可见光范围，对水体中的泥沙

含量十分敏感；CH2（0.725-1.1微米）为近红外通道，为水的强吸收带，水体的反射率很低，水体的边界轮廓十分清晰。

●为了整体上了解水体空间、时间、水质上的多变性在AVHRR影像上的反映，以及水体与其他易

混地物的区别，采用分地物类别按时间、空间变化的规律对AVHRR数据进行采样分析，分别在2月、5-8月AVHRR图像上对湖泊（太湖、鄱阳湖、洞庭湖、青海湖）、河流（长江、辽河）、海洋（黄海、东海、渤海）、云、云影、城市（上海、无锡、苏州、杭州）的光谱值进行采样分析。

●该图幅内以平均值的光谱曲线为分界，厚云、薄云五个波段都相对为高值，光谱曲线明显高出

平均曲线；而其它地物明显低于或围绕平均曲线有小的起伏，其中云影在CH3、CH4、CH5又稍高于平均水平。从曲线的走向看，云、云影与河流、积水区一致，因此，要进一步区分水体与云及云影，在原有CH1>CH2的规律下，须加入CH2、CH3的判断条件，利用CH2、CH3的均值分别排除云及云影。

●图内的河流、湖泊、海洋的3、4、5波段则相对洪水期有增高，表现出高于图幅均值的规律；

而云影在曲线走向和数据大小都与各种水体的规律极为相似，无法再加以区分；反而该时期的城市曲线依然全低于图幅均值，落在平均曲线的下方，虽然在CH1、CH2也满足水的规律，但完全可以利用CH3波段把它剔除掉。

●上面的采样分析可知，在AVHRR这一特定的传感器上，水体的遥感特性与地面实测相比呈现出

一定程度的变化，表现为：正常情况下水体随空间的变化幅度较小，而随时间的变化幅度较大，而在洪水期间，水体表现大幅度的变化，由平常时期的相对稳定到起伏较大，呈现出特殊的规律。其中由于降水的增加引起水中泥沙含量，水温等异常变化也起到了相当大的作用，而由于时间变化引起水体的变化反映则相当的微弱。但无论水体随时间，空间怎么变化，则其在近红外吸收的特性则始终不变，且表现为CH1>>CH2，CH2<图像的均值；CH3有规律的上升或下降，在正常时期，水体CH3大于整幅图像的平均值，而洪水期间CH3小于整幅图像的均值，这就是水体在光谱多变性条件下，呈现出的统一规律，即光谱特征。

AVHRR图像上的水体提取模型

根据大量的水体光谱样本分析，得出AVHRR数据的水体信息摄取的基本光谱模型：

●CH1》CH2，且CH2<图像平均值；

洪灾期：CH3<图像平均值；非洪水期，且CH3>图像均值；

●随着水面积减小，混浊度增加，水深变浅，水体特征有所改变。CH1相对减小，CH2相对增加，

有向陆地逐渐过渡的趋势，且往往该部分水体是陆地包围的水体或覆盖在陆地上的浅水体。

●在分析了水体在图像上的空间特征后，在光谱模型上又给出水体的空间模型：

–水体相对于陆地或云层等呈现出较为均一的图斑，无明显的纹理特征

–水体图斑的边界相对于云层较稳定，河流的线状特征，湖泊、海洋等的面状特征较明显。

以上的光谱模型和空间模型采用面向对象的思想完成模型建立，可以实现水体的智能化信息提取。

TM图像上的水体提取

●由于时间分辨率的限制，在洪水期难以获得无云雾的TM图像，因此TM主要用于洪水灾害损失

评估和本底水体的提取。

●从TM数据中提取水体信息的关键是区分水体与其他地物的阴影，这同样需要进行不同地物各

波段的光谱值分析。

●水体、阴影的第5波段明显小于第2波段。而其它地物则刚好相反。在第2、3波段上，水体的

灰度值大于阴影，将这两个波段相加可以增大这种差异。在第4、5波段上，阴影的值一般都大于水体。将这两各波段相加，可以增大这种差异。

●将波段2与波段3相加，波段4与波段5相加，并作出改进后的地物波谱图。可以看出，只有水体具有波段2加波段3大于波段4加波段5的特征。

●阈值法提取水体

利用对水陆界线反映较好的Landsat－5的TM第5波段，即中红外波段，通过反复试验，确定其阈值。用TM4、3、2作假彩色合成影像，用目视判读的方法检验阈值法提取水体的效果，所提取的水库和坑塘的轮廓与目视判读的一致，宽的河流与目视判读的基本一致，而较窄的河流没有被提取出来，但这些河流由目视判读也难判读出来。因此，漏提的水体非常少。同时，发现所提取的水体中有一部分并非为真正的水体，而是山体的阴影。因此，多提的水体较多。●谱间关系法提取水体

水体具有独特的谱间关系特征，即波段2加波段3大于波段4加波段5。用同样方法检验提取效果，漏提的水体非常少，也没有发现将山体的阴影当水体提取出来。因此，该种方法提取的水体较为准确。

总之，谱间关系法比单波段阈值法提取水体更具优势。尤其是，它能将水体与阴影区分开来。该方法特别适合山区水体的提取。无论是谱间关系法还是单波段阈值法，它们对于提取一些细小的河流都有一定的局限性。这是因为，这些细小的河流都是以混和像元的形式存在。

SAR 图像上的水体提取

●由于洪水最大淹没面积常常发生在坏天气条件下，多光谱遥感数据不可能发挥很好的作用，因而微波遥感成为洪水灾害监测的首选数据。但在有山区的雷达图像上，水体与山体的阴影具有易混的亮度值，而使得自动提取洪水淹没范围较困难。因而，现在多采用目视判读的方法从SAR图像上提取洪水水体。目视判读方法尽管可以取得较高的精度，并将水体与阴影区别开来，但费工费时，难以满足快速监测评估的要求。从图像复合的角度出发，Landsat TM 图像与Radarsat SAR图像相结合，能有效地将洪水淹没范围提取出来，而不会将阴影误提为水体。

水体提取步骤

●图像配准

–TM图像与地形图配准

–SAR图像与TM图像配准

●SAR图像的水体提取

用目视的方法在SAR图像上测出水体的亮度值，从而确定水体与陆地的阈值k 1，DN=k 1为非水体（DN为SAR图像的亮度值）。

●TM图像上的阴影的提取

因在TM2上阴影的亮度值比较低，而其他地物的亮度值比较高，测定阈值k 2,因而有TM2=k 2为非阴影。

水体提取步骤

●SAR图像的水体与TM图像的阴影之间的融合分析

–将SAR图像的水体与TM图像的阴影叠加，在山区被误提为水体的山体阴影中，有大部分都与TM图像的阴影重叠，有一小部分未重叠。但未重叠的部分，均与TM图像的阴影靠得很近，并且与阴影相连。为此，利用ARC/INFO的GRID模块中的EXPAND命令，对所提取的阴影进行扩展处理，将扩展后的阴影与SAR水体进行叠加融合分析。凡是落入阴影中的SAR 水体，都被作为误提的水体剔除。

–但是，对于在SAR图像上与阴影相连的水体而言，由于对TM图像上的阴影进行了扩展处理，并用它来剔除SAR图像上的阴影，这就会造成将SAR图像上与阴影相连的那部分中的部分水体被错误地剔除掉。因此，还需要对这部分水体进行进一步的定界。

水体提取步骤

●与阴影相连部分水体的进一步定界

–从TM图像上提取本底水体，提取模型为：

（TM2+TM3）>(TM4+TM5)-k1

TM2>=k2

–利用ARC/INFO中的GRID模块EXPAND命令对本底水体进行扩展。并用它来切取最初从SAR图像中提取的水体。最后，将从TM图像中提取的阴影与所切取到的水体进行叠加分析，减去阴影部分，从而得到了由于阴影扩展而丢掉的那部分水体。

–并将这部分水体与去阴影后的SAR图像水体进行叠加，从而得到最终提取的水体。

居民地特征提取

●研究意义

●AVHRR影像上的居民地识别提取

●TM图像上的居民地识别提取

●SAR图像上的居民地识别提取

研究意义

●为灾害评估提供所需居民地空间分布信息

●为了解人地关系服务

●为社会、经济和人文等数据的空间化服务

●为居住用地监测以及人居环境建设服务

AVHRR影像上的居民地识别提取

●AVHRR影像上居民地的影像特征分析

在3（红）、2（绿）、1（蓝）假彩色合成图像上可以看出，特大城市、大城市、中等城市，无论是位于山区还是平原，都能在影像上识别出来。这些城市在影像上呈暗灰蓝色，当其周围为农田时，其周边呈灰蓝色，当为森林时，呈浅黄色，当为水体时，呈红色。城市的外部轮廓清楚明显，城市的内部的色调比较一致，而内部纹理特征不明显。城市的形状一般为斑块状。县城一级的城镇，以及小城市在NOAA影像上需要仔细识别才能识别出来。一般面积在6平方公里以上的县级城镇在NOAA影像上只有几个像元，呈点斑状，其外部轮廓已经很不清楚了。在其像元中，只有1到4个像元与周边像元有一定的区别，比较容易识别。而其他周边像元都是以混合像元的形式存在。此时的城镇已无纹理可见了。

●AVHRR影像上居民地的影像特征分析

对于面积在2km2以下的乡镇、村一级的居民地，已完全与周围地类混淆在一起，在NOAA影像上难以辨别出来。城市与城市之间的相对位置清晰可见，特大城市、大城市、中等城市、小城市、县城等之间的城镇体系结构关系也容易识别出来。

通过对各种类型的城市及其它地物进行典型光谱采样，据其均值绘制如下光谱曲线图

●基于光谱知识的居民地提取模型

通过对采样数据进行波段组合分析，建立模型如下：

TM图像上的居民地识别提取

●居民地在TM影像上的机理分析

–农村普通居民地

其房屋宽度大部分不超过28.5m，长度有可能超过28.5m，影像记录的通常是房屋及其周围的空地、散生树木组成的混合像元。由于这些地物的尺寸及其配置在空间上的变异，从而导致农村居民地像元灰度值的空间变异，在居民地与周边地类交界处，又会出现居民地与周围地类相混合的混合像元，这些混合像元降低了农村居民地提取的精度。居民地内部没有明显的纹理特征，与农村居民地相连的道路难以识别出来。

–村镇级居民地

在镇的核心区一般多为2～3层的楼房、平房等，房顶多为水泥平顶、瓦盖尖顶。一般房屋间有比较窄的空地，空地一般多为泥土面，部分为水泥面。居民地内也有一些散生的

树木等绿地。因此居民地的像元多由水泥房顶、瓦顶、水泥路面、裸土地、绿地、散生树木等所构成的混合像元，其组成的空间变异导致像元灰度值的空间变异。在边缘区的像元类似于乡村居民地的像元，在居民地与周围地类接边处，有居民地与周围地类混合而成的混合像元。

图中青灰色的斑块即为村镇级居民地，其内部有一定的纹理特征，基本可以识别到与其相连的道路。

–县城

由于高楼大厦的影响，有可能出现水泥房顶的纯净像元，此外也会出现纯净的水域像元和绿地像元。高大的房屋会造成房屋与房屋之间有很多阴影。因而县城一级的居民地，其像元一般是由水泥顶、水泥路面、散生林木、绿草地、裸地以及阴影等所组成的混合像元，其组成比例的变化以及空间配置结构的变化就造成了这些像元的空间变异。在县城的边缘区同样会出现类似于乡镇一样的像元。在县城居民地与周围边缘农田接壤处，同样会出现居民地与农田的混合像元。

–城市

水泥房顶的纯像元更多，由于有宽阔道路，因而也会出现水泥道路的纯像元。由于公园的存在，会出现纯的水体像元和绿地像元。由于建筑物更加高大，从而使得房屋之间的阴影就比城镇更多了。但是，大多像元仍然是混合像元，其组成比例的差异就导致了像元灰度值的空间变化。在城市边缘处，有类似于县城乡镇一样的混合像元，在城市居民地与周边农田接壤处同样会出现居民地与农田的混合像元。城市呈粉红色的大斑块状，有辐射状的道路与其相连，其内部有一定的纹理特征。

●居民地在TM影像上的机理分析

–居民地光谱信息在时间维上的变化主要是由裸地及其间的树木、竹子、绿地等在时间维上的变化所致。而房屋、裸露地面，尤其是水泥地面及房顶在时间维上基本上没有大的变化，但是也有一些微弱的变化。这包括，因太阳的照射，导致一天中，早中晚的表面温度的不一致，从而导致其在散射、发射上的变化。此外由于降雨导致其表面温度和湿度上的差异，从而导致居民地光谱特征的变化，但是这种变化是因降雨而引起的，因而与降雨有较强的相关性。所以，居民地在时间维上的变化主要是由居民地内的植被所致。

居民地在时间维上的变化周期、强度与植被的生长周期及强度的变化相关。对于建筑物密集，植被较少的居民地而言，其年际变化较小。

–在平原地区，居民地四周一般为农田、部分居民地周围有水塘。居民地之间有道路相连通，道路有利于居民地的识别。但是窄于10m宽的道路在TM影像上一般难以识别，除非道路周围长满了很好的植被。居民地与周围农田的区别，主要在于农田里生长着植被，植被的光谱特征与裸地、房屋的光谱特征明显不同。对在河边有一些沙石滩，由沙、泥、石混合在一起，其比例达到一定情况时，其光谱特征与居民地的光谱特征类似。但沙石滩一般沿河流两岸分布，有时在河流中央，以江心州的形式出现，可以剔除。

●居民地及背景地物的光谱特征分析

–分别对城市、县城、乡镇、集村、水体、水田、河滩地、菜地、道路在图像上进行光谱采样（成都平原7月1日），利用采样数据作地物光谱曲线。

–根据采集数据及光谱曲线图得知：

TM1：道路>河滩地>河流>居民地（城市>县城>乡镇>集村）>菜地>水田，居民地与河流、菜地易混。

TM2：同TM1。

TM3：道路>河滩地>城市>河流>乡镇>县城>集村>菜地>水田，城市与河滩地、河流，乡镇与河流,集村与菜地易混。

TM4：菜地>水田>集村>道路>乡镇>河滩地>县城>河流>城市

TM5：道路>菜地>集村>河滩地>乡镇>城市>县城>水田>河流

TM6：城市>县城>乡镇>集村>河流>水田>河滩地>菜地>道路

TM7：道路>城市>乡镇>河滩地>县城>集村>菜地>水田>河流

–根据采集数据及光谱曲线图得知：

城市：TM6>TM1>TM5>TM4>TM3>TM2>TM7

县城：TM6>TM1>TM5>TM4>TM2>TM3>TM7

乡镇：TM6>TM1>TM5>TM4>TM3>TM2>TM7

集村：TM6>TM1>TM5>TM4>TM2>TM3>TM7

河流：TM6>TM1>TM4>TM2>TM3>TM5>TM7

水田：TM6>TM4>TM1>TM5>TM2>TM3>TM7

滩地：TM6>TM1>TM5>TM4>TM3>TM2>TM7

菜地：TM6>TM4>TM1>TM5>TM2>TM3>TM7

道路：TM6>TM1>TM5>TM4>TM3>TM2>TM7

–对于城市、县城、乡镇，有TM2、3、4、7比较接近的特征，而其它地物没有类似特征。

–对于集村，TM3>TM7且TM5>TM4

●基于光谱知识的居民地提取模型

–城镇：

TM5>TM4

TM4-TM7

1

TM6>K

2

–集村

TM4-TM5

1

TM3-TM7

2

TM图像上的居民地识别提取

●GIS支持下山区TM影像的居民地识别

主要通过分析居民地分布与土地利用类型、坡度、坡向、高程等之间的关系，建立模型。●居民地的微波遥感机理

居民地的微波雷达遥感是通过向居民地发射微波，微波波束经居民地反射、散射后，被传感器接收、记录、并成像，影响居民地回波强度的有雷达系统参数和居民地自身的参数。居民地自身的参数主要有表面粗糙度和复介电常数。居民地对雷达波束的反射包括相对光滑表面的镜面反射，中等粗糙面的漫反射，以及粗糙面的各向同性散射。此外，居民地内部的角反射和谐振效应使得雷达回波信号非常强，从而使得居民地在雷达图像上呈现出非常亮的亮斑，这是区别居民地与其他地物的主要特征。

就角反射而言，有单面角、双面角、三面角的反射。

–当房屋顶为相对光滑表面，且雷达入射波束与房屋顶垂直时，即可产生单面角反射。

–当地面和房屋的墙体相互垂直，且均为相对光滑表面，雷达入射波束与地面和墙体的交线垂直时，就构成了双面角的反射。

–当地面和房屋的墙体相互垂直，且均为相对光滑表面时，可以由地面、墙体和墙体构成三面角反射。

在城市里，并排的高楼大厦，其平行的墙面可以构成谐振腔。

●Radarsat SAR上居民地影像特征

–县级以上的城镇，无论其所处的位置是在山区还是平原，都能准确地识别出来，这些城镇在雷达图像上都是以亮斑的形式表现出来的，存在于暗色调的背景之中，亮斑的内部间杂着浅灰色、暗灰色的斑块。其中亮斑是由城镇中的角反射和谐振效应所引起。浅灰色的斑块是由城镇中如草地、树木等属于中等粗糙面的地物所致。其暗斑是由城镇中如水泥、沥青以及平地等相对光滑表面所致。其周围多为浅灰色、暗灰色的背景。在这些背景中还有一些面积比较小的亮斑。这些亮斑多为集村。从图像上可以粗略地判读出整个城镇的轮廓。但是，城镇里的街道难以识别出来。

–乡镇一级的居民地也基本能准确识别，其影像特征为亮色调的斑块存在于暗色和浅灰色的背景中，在亮斑的内部间杂一些浅灰色斑块。

–集村和散村，大多数可以识别到。其影像特征表现为由少数亮点组成的亮斑存在于暗色和浅灰色的背景中。由于其斑快小，在亮斑的内部很少间杂有浅灰色斑块。其亮斑是居民地中的角反射或谐振效应所引起，特别是当房屋为尖顶时，将会有一面角的存在。亮斑周围多为浅灰色、暗灰色的背景。也有的集村或散村，由于其表面的粗糙度、房屋的朝向、房顶等原因，而没有较好的角反射。难以表现出亮斑，而与背景相混淆，难以识别出来。

–在山区，除了居民地表现出亮色调外，还有部分山坡表现出亮色调。形成这些亮色调的原因是，当山坡与雷达波束垂直时，雷达接收到较强的回波，这种色调的亮度与居民地比较一致，这就使得难以通过亮度值将它们与居民地区分开来。但是他们在形状上是有所差别的。居民地一般呈斑块状，而山坡所产生的亮色调多以亮线或亮带的形式存在，且面积较大，有一定的走向，在其旁边有带状的比居民地周围更暗的暗带存在。同时在空间上，这些亮带的密度较大。根据这些特征很容易将他们与居民地区分开来。

●居民地与背景地物亮度值分析

对Radarsat SAR图像上的各种典型地类进行采样，并对采样数据进行统计，得到典型地物的亮度均值、中值、方差、最小值和最大值，

●居民地提取模型

通过采样数据分析得知居民地易与山坡混淆，但在一般情况下，山坡的亮斑临近有形状相似的暗斑存在，为山坡的阴影，且其亮度值比居民点中的暗斑低，据此可以同时提取亮斑和暗斑，并利用空间配置关系建立提取模型。

IF DN>=K THEN居民地

IF ZW=1THEN非居民地

DN为像元亮度值，ZW=1表示亮斑周围有大面积的阴影。

特征选择与特征提取

模式类别的可分性判据 在讨论特征选择和特征压缩之前，我们先要确定一个选择和提取的原则。对一个原始特征来说，特征选择的方案很多，从N 维特征种 选择出M 个特征共有()!!! M N N C M N M = -中选法，其中哪一种方案最佳， 则需要有一个原则来进行指导。同样，特征的压缩实际上是要找到M 个N 元函数，N 元函数的数量是不可数的，这也要有一个原则来指导找出M 个最佳的N 元函数。 我们进行特征选择和特征提取的最终目的还是要进行识别，因此应该是以对识别最有利原则，这样的原则我们称为是类别的可分性判据。用这样的可分性判据可以度量当前特征维数下类别样本的可分性。可分性越大，对识别越有利，可分性越小，对识别越不利。 人们对的特征的可分性判据研究很多，然而到目前为止还没有取得一个完全满意的结果，没有哪一个判据能够完全度量出类别的可分性。下面介绍几种常用的判据，我们需要根据实际问题，从中选择出一种。 一般来说，我们希望可分性判据满足以下几个条件： 1. 与识别的错误率由直接的联系，当判据取最大值时，识别的错误率最小； 2. 当特征独立时有可加性，即： ()()121 ,,,N ij N ij k k J x x x J x ==∑

ij J 是第i 类和第j 类的可分性判据，ij J 越大，两类的可分程度 越大，()12,,,N x x x 为N 维特征； 3. 应具有某种距离的特点： 0ij J >，当i j ≠时； 0 ij J =，当i j =时； ij ji J J =； 4. 单调性，加入新的特征后，判据不减小： ()()12121,,,,,,,ij N ij N N J x x x J x x x x +≤ 。 但是遗憾的是现在所经常使用的各种判据很难满足上述全部条件，只能满足一个或几个条件。 基于矩阵形式的可分性判据 1. 类内散度矩阵 设有M 个类别，1,,M ΩΩ ，i Ω类样本集()()(){}12,,,i i i i N X X X ，i Ω类 的散度矩阵定义为： () ()() ( )()() ( ) 1 1i N T i i i i i w k k k i S N == --∑X m X m 总的类内散度矩阵为： ()() ()() () ()() () () 1 1 1 1 i N M M T i i i i i w i w i k k i i k i S P S P N ==== Ω= Ω--∑∑∑X m X m 2. 类间散度矩阵 第i 个类别和第j 个类别之间的散度矩阵定义为： () () () ( )() () ( ) T ij i j i j B S =--m m m m 总的类间散度矩阵可以定义为：

图象视觉特征的提取与表示

第1章图像视觉特征的提取和表示 1.1引言 图像视觉特征的提取和表示是将图像的视觉信息转化成计算机能够识别和处理的定量形式的过程，是基于视觉内容的图像分类与检索的关键技术，因此，图像视觉特征的提取和表示一直是图像内容分析领域中一个非常活跃的课题。 图像底层视觉特征一定程度上能够反映图像的内容，可以描述图像所表达的意义，因此，研究图像底层视觉特征是实现图像分类与检索的第一步。一般来说，随着具体应用的不同，选用的底层特征也应有所不同，在特定的具体应用中，不同底层视觉特征的选取及不同的描述方式，对图像分类与检索的性能有很大的影响。通常认为，一种良好的图像视觉特征的提取和表示应满足以下几个要求： (1)提取简单，时间和空间复杂度低。 (2)区分能力强，对图像视觉内容相似的图像其特征描述之间也应相近，反之，对于视觉内容不相似的图像其特征描述之间应有一定的差别。 (3)与人的视觉感知相近，对人的视觉感觉相近的图像其特征描述之间也相近，对人的视觉感知有差别的图像其特征描述之间也有一定的差别。 (4)抗干扰能力强，鲁棒性好，对图像大小，方向不敏感，具有几何平移，旋转不变性。 本章重点讨论当前比较成熟的特征提取方法，在此基础上选取合适的特征提取方法，用于图像分类与检索系统的特征提取模块。接下来，将依次介绍颜色，纹理，形状等特征的提取和表示方法，最后对各种特征的特点加以比较。 1.2颜色特征的提取和表示 颜色是图像视觉信息的一个重要特征，是图像分类与检索中最为广泛应用的特征之一。一般来说同一类别的图像之间颜色信息具有一定的相似性，不同类别的图像，其颜色信息具有一定的差异。相对几何特征而言，颜色特征稳定性好，有对大小、方向不敏感等特点。因此，颜色特征的提取受到极大重视并得到深入研究。本章首先介绍几种常用的颜色空间模型，然后介绍各种颜色特征提取和表示方法。 1.2.1颜色空间模型 为了正确地使用颜色这一特征，需要建立颜色空间模型，通常的颜色空间模型可用三个基本量来描述，所以建立颜色空间模型就是建立一个3-D坐标系，其中每个空间点都代表某一种颜色。通常来说，对于不同的应用，应该选取不同的颜色空间模型。常用的颜色空间模型主要有：RGB、HIS、HSV、YUV、YIQ、Munsell、Lu*v*和La*b*等。颜色空间模型的选取需要符合一定的标准，下面就这一标准和最常用的颜色空间模型作一些介绍。 文献[错误！未找到引用源。]中介绍了选择颜色空间模型的标准主要有以下几个： (1)观察角度的鲁棒性

遥感影像中水面及水体信息提取方法的研究

遥感影像中水面及水体信息提取方法的研究 胡启中1，祁建勇2 （1.上海佳文比特信息科技有限公司，上海，200135；2.河北建设勘察研究院有限公司，石家庄，050031） 摘要：根据遥感影像中不同光谱波段对不同地物的反射率特征，以西洋河流域2000年春秋两期Landsat7 ETM＋遥感数据为研究对象，结合实地调查数据，利用地理信息系统及遥感数据处理系统软件平台，建立植被覆盖度对不同季节、不同程度的植被覆盖、岩土裸露及水面水体相关的特征关系、对该流域内分布的各类中小型水库塘坝的水面和水体信息的分析和提取方法进行系统的研究和验证。通过结果分析表明：根据不同时相遥感影像的光谱波段组合建立不同的处理方法可以提高季节性变化的水面及水体信息识别和提取的精度和效率。 关键词 ：遥感影像；光谱分析；水体信息；提取方法 水面及水体信息的分析和提取，一直是遥感影像分析处理及解译分类的基础性工作，在水资源调查、水环境监测、水灾害评估等许多方面得到了广泛应用。国内外很多专家学者在大规模区域尺度、高精度空间分辨率及多时相时间分辨率的遥感数据基础上对水体的提取方法做了深入研究，并提出了许多行之有效的方法。 在中小流域尺度范围上，基于中低空间分辨率的卫星遥感影像，对各类中小型水库塘坝的水面及水体信息的分析和提取是困难的，即使单一的借助专业的遥感数据处理系统软件平台进行分类解译，不仅技术性强，步骤繁多，模型构造复杂，也是费工费时费力的。水域范围精度控制和水面水体提取效率的提高一直是遥感解译水面及水体信息方法改进的驱动力。 1 Landsat7 ETM＋遥感波段光谱特征及归一化植被指数应用 遥感数据是在预定的光谱波段（波长）上获得的。美国陆地卫星7号（Landsat-7）携带的增强型专题制图仪（ETM+），包含三个可见光波段兰绿红、一个近红外波段、二个中红外波段，空间分辨率为30米；一个热红外波段，空间分辨率为60米；另加一个空间分辨率为15米的全色波段。尽管空间分辨率不是较高，重采样覆盖周期16天，但其波段设置比较合理，并采集传输回大量的遥感数据，成为陆地资源调查及生态环境监测等诸多领域应用重要的遥感数据源之一。各种地物，尤其是岩石土壤、绿色植被和水面水体在可见光和红外波段附近具有明显的反射率特征。在光谱中，波段3可见光红光主要被植物吸收，同土壤和岩石相比，绿色植物的反射系数相当弱；而在波段4近红外线部分的反射却比多数其它地表覆盖物的反射要强得多[ 1 ]。水面或水体几乎吸收了近红外波段4和中红外波段5或7的全部能量使之反射率很低，同时土壤和植被在这三个波段内的吸收能量较小，而有较高的反射率，这就使得水体在这三个波段上与植被和土壤具有明显的光谱特征差异。因此在假自然色彩波段合成影像（RGB543波段组合）中，水体呈现出深蓝色及蓝色的暗色调，而土壤因其岩类基质特征呈不同浅色调，植被则呈现出相对较亮的深绿色、绿色或浅绿色色调。但由于不规则山体阴影的影响，使得近红外、中红外在阴坡面的反射能量特别低，它们在影像上也呈现出明显的暗色调；规则的铁路线、公路线等基础设施在遥感影像上也同时呈现出明显的暗色调。水面水体与山体阴影、铁路线、公路线等基础设施的光谱特征混淆使得遥感解译的普通分类方法难以准确提取水面水体信息。 归一化植被指数（NDVI），是植被指数的一种通用化指标形式，正是利用了遥感数据中近红外线和红光之间植被、水体及岩石土壤等其它地物的光谱特征，计算两波段之间的差异或比值，使之反映植被覆盖状况。因此，通过遥感数据直接计算的植被指数近一步估算植被覆盖度，在全球植被变化、作物生长状况、

图像颜色特征提取基本知识

一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法

图像特征提取总结

图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实

遥感影像水体提取实验

基于高分一号卫星多时相数据的洪水监测 摘要：本文利用两幅高分一号多光谱影像数据，通过ENVI4.8软件，采用NDVI对黑龙江地区水体进行了提取，并在图像上展示了水体变化区域，计算了水体变化面积。结果表明：9月9日黑龙江水域面积比8月27日增加了226.6822 km。最后又采用了假彩色合成法展示了水体增加区域。结果表明：两种方法对水体变化信息的提取具有一致性。 1 数据介绍 本作业获得了两幅高分一号TIF数据，分别是8月27日，9月9日。每幅影像有4个波段，查阅资料得知：1波段波长为0.45-0.52um，属于蓝、青光，2波段波长为0.52-0.59um，属于黄、绿光，3波段波长为0.63-0.69um，属于红光，4波段为0.77-0.89，属于近红外。 图1 0827影像信息图2 0909影像信息 2 研究区域 由所给数据的经纬度坐标可知，研究区域为抚远县，其地处黑龙江、乌苏里江交汇的三角地带。地理方位是东经133° 40′ 08″至

135° 5′20″,北纬47° 25′30″至48° 27′40″。 图3 研究区域的百度卫星地图 2 水体提取方法选择 单波段：水体在近红外波段的反射率很低，所以可以设置阈值进行提取。 归一化水体指数 )/()(NIR Green NIR Green NDWI ρρρρ+-= 归一化植被指数 )/()(NDVI Re Re d NIR d NIR ρρρρ+-= 但单波段方法中阈值的设置需要反复调整，而高分一号数据的1、2波段不完全是蓝、绿光，而3、4波段完全是红、近红外。所以选择归一化植被指数提取水体。-1=

图像纹理检测与特征提取技术研究综述

龙源期刊网 https://www.doczj.com/doc/082498476.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期

(完整版)图像特征特点及常用的特征提取与匹配方法

图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩

水体提取方法

水体提取方法简单归纳总结 一、基于MODIS影像的几种提取方法。 最常用的水体提取方法： 波段阈值法、谱间关系法（波段组合法）和多光谱混合分析法 单波段阈值法是提取水体的最简单易行的方法。 基本原理：是利用水体在近红外波段上反射率较低,易与其它地物区分的特点,选取单一的红外波段, 通过反复试验, 确定一个灰度值,作为区分水体与其它地物的阈值即可。 缺点：是无法将水体与山区阴影区分开来,提取的水体往往比实际要多。 有些文献中叙述由于阀值随时间、地点变化的不确定性使得该方法具有局限性,但对于非山区的特定时相和区域里,尤其像MODIS 这样高光谱的遥感数据, 首先应选用阈值法进行试验,因为光谱的细分已经将上述问题大大减弱。若能获得较满意的提取效果,则很容易实现水体的自动提取。 对于用阈值法确实得不到理想效果的,则可以考虑谱间关系法和多光谱混合分析法。 利用谱间关系可建立的模型很多,如对波段进行如下组合运算CH7/CH6 ,CH7/CH5, CH6/CH5, 从而找出组合图像上水陆分界非常明显的影像。以CH7/CH6为例,可以采用如下方法剔除非水体: 在ENVI 软件下输入CH7 及CH6 波段, 运用波段计算功能,将公式CH7/CH6 输入,载入影像, 在放大窗口中,手工裁取明水水域范围, 生成多边形,对各多边形赋予一个感兴趣区( AOI) 文件, 并将其输出为EN-VI 等矢量文件即可。 对波段进行组合运算的目的,是为了增强水陆反差。MODIS 数据的波段1 是红光区( 0. 62 ～0.67um) ,水体的反射率高于植被, 波段2 是近红外区( 0. 841 ～0. 876um) ,植被

ETM图像水体信息提取

ETM图像水体信息提取 仇大海1，田淑芳1，吴亚玲2 1中国地质大学（北京）遥感教研室北京市（100083） 2北京鼎峰同惠工业技术有限公司北京市（100098） E-mail：qdh12011@https://www.doczj.com/doc/082498476.html, 摘要：本文应用云南省南部地区的ETM遥感影像图，对该区域内的水体信息进行提取。以G48C004002为典型示范区，结合交互式矢量化和野外验证成果对各种方法进行分析选优，最后提出了一种水体提取的新方法：缨帽变换湿度分量法，经验证该方法满足提取要求。本文还对去除影响因素进行了深入的探讨，例如对于阴影的去除和混合像元影响的去除。关键词：信息提取，缨帽变换，遥感，阈值 中图分类号：K909 1. 引言 本论文基于中国地质调查局2005年项目《中国陆域边界云南瑞丽江—大盈江中下游地区基础地质遥感调查》。工作区北部与青藏高原相连，南到中缅、中老、中越边界，东西横跨1200km，南北纵跨800km，地理坐标位于东径97°30′—106°10′，北纬21°00′—28°00′，总面积约400000km2，涉及1∶25万比例尺地形图34幅。该工作区属于我国西南多云多雨地区，气候湿润，雨量充沛，植被茂盛，水量丰富。工作所采用的ETM数据共25幅。本文以1：25万标准分幅G48C004002为例（如图1），讨论遥感方法在提取水体中的实用性。 图1 G48C004002 ETM（742）彩色合成示意图 随着人类活动规模的增强，人类影响环境能力越来越显著，生态地质环境也快速地发生着变化，主要表现在干旱、洪涝、泥沙淤积河道、水土流失和滑坡、泥石流地质灾害时有发生等。这些变化直接威胁着该地区的经济发展，同时也影响着邻国的环境变化，容易引起国际纠纷，不利于和平稳定的周边环境。因此该区域内的水体信息调查尤为重要，水体信息调查为环境评估和地质灾害的预防和治理提供依据。 该区域面积较大、环境复杂，用传统的工作方法很难满足要求，而遥感技术以其大面积、同步观测的优势发挥了在该区域内水体调查的优势，因此如何采用最优的遥感方法结合GIS 等多种技术提取水体信息就成了本文论述的重点。研究过程中使用了1999年和2001年的ETM遥感数据、当地的地形图、地质资料、气象资料等等。主要的工作思路如下图：

图像特征特点及其常用的特征提取与匹配方法

图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局

水体样本提取的方法

水体样本提取的方法 手提 （细菌细胞直径约0.5um，长度约0.5~5um） 将300-500ml水样通过0.45um或者0.22um的滤膜 如果水样中不可溶解的颗粒较多，需要使用2-5um孔径的滤膜将不可溶解的颗粒杂质滤去，滤膜孔径大于水体微生物细胞直径。 用于水体微生物富集的滤膜的选择： 常用的滤膜孔径大小有45mm和22mm两种，孔径太小滤膜容易阻塞，45mm的孔径大小透水性较好，提样的时候可根据客户的需要，选择45mm或22mm孔径的滤膜。 滤膜材质有很多种，常用的三种为聚苯醚砜滤膜、混合纤维素酯薄膜、氧化铝薄膜。 聚苯醚砜滤膜（Polyethersulfone）：最结实的滤膜之一，可以过滤比其它滤膜更多的水样。使用真空泵可快速抽干，易于折叠不易撕破。能抵受真空泵长时间高压力的滤过。若需要过滤大量低微生物含量的清亮水样，0.22mm滤膜的更合适。在提取核酸时，得率可与PowerWater? DNA 和RNA Isolation Kits中自带的混合纤维素酯滤膜相媲美。 混合纤维素酯滤膜（膜醋酸纤维素、硝酸纤维素）: 0.45μm孔径最合适材质。如果水样浑浊，使用0.22μm滤膜过滤缓慢容易堵塞时，建议使用0.45μm孔径的滤膜。纤维素滤膜吸水性强，不好处理。有文献显示杀虫剂和除草剂很容易吸附到纤维素滤膜上。若样品含有杀虫剂和除草剂，最好避免使用这类滤膜。 聚碳酸酯滤膜（Polycarbonate）: 这种滤膜很薄且容易起褶皱，所以不太好用。通常用0.45μm孔径的滤膜来预防过滤时发生阻塞。不像聚醚砜膜（PES）和混纤膜（MCE），水样中微生物会停留在滤膜表面。使得滤膜很容易阻塞，本该滤过的小颗粒也会截留下来。实验证明，珠磨研磨破碎强度越小，获得DNA分子量越大。如果样品只是用来做PCR，可以采用强力的研磨方法提高得率，暂时忽略片段破碎。 样品富集之后按照以下方法进行提取： 1. 滤膜剪碎，溶于500ul水中，液氮反复冻融（或用超低温冰箱）（从-70℃拿出来后在65℃水中冻融，小心操作，防止管子炸裂）【裂解细胞】 2. 将水样于13000rpm下离心，10min，收集沉淀 3. 沉淀溶于100ul 1×TE，重悬

遥感ENVI水体信息提取实验

遥感ENVI水体信息提取实验

实习一：水体信息提取姓名：XXxx 学号：!!!!!!!!!!!!!!!!!!! 专业：地理信息科学 教师：XXXXX 成绩：

环境与规划学院 二〇一六年四月 实验报告 一实验目的 学习水体光谱的征曲线，掌握应用遥感图像处理软件进行水体波普的差异性分析。 掌握水体提取的常用方法；能够使用ENVI 软件进行水体信息提取。 二实验内容 遥感探测的水体波谱信息：水可以吸收也可以散射通过水汽界面的波谱辐射能量（Ed），但水的散射会增加天空辐射能量（Eu），而水的吸

收则会同时减少Ed和Eu。 遥感影像记录了地表物体的反射信息及其自身向外的辐射信息。相对于其他地物而言，水体在整个光谱范围内都呈现出较弱的反射率。 在近红外、中红外及短波红外部分，水体几乎吸收了去不得入射能量，因此水体在这些的反射率特别低，而土壤、植被、建筑物等在这些波段吸收能量较小，具有较高的反射率，是的水体与他们具有明显的区别。 水体信息提取有助于确定水体边界、了解水域面积变化、水文水资源要素，提取结果可用于水资源信息统计及相关的辅助决策 三实验方案 单波段法（阈值）； 多波段法（谱间关系法、比值法、归一化差异水体指数（NDWI）、改进的归一化差异水体指数（MNDWI） 1．图像预处理 （1）辐射定标：将DN值转成辐亮度

File--->open image file--->。。。。MTL.txt--->spectral--->Preprocessing--->C alibration Utilities--->Landsat Calibration--->（选择文件），OK--Radiance，File，choose（选择保存地址并命名），Ok （2）BSQ转成BIL Basic Tools-->Convert data （BSQ、BIL、BIP）-->-BIL，choose（选择保存地址并命名），Ok （3）Flaash大气校正 Spectral--->Preprocessing--->Calibr ation Utilities--->Flaash —>

模式识别特征选择与提取

模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.doczj.com/doc/082498476.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。

遥感ENVI水体信息提取实验

实习一：水体信息提取姓名：XXxx 学号：!!!!!!!!!!!!!!!!!!! 专业：地理信息科学 教师：XXXXX 成绩： 环境与规划学院 二〇一六年四月

实验报告 一实验目的 学习水体光谱的征曲线，掌握应用遥感图像处理软件进行水体波普的差异性分析。 掌握水体提取的常用方法；能够使用ENVI软件进行水体信息提取。 二实验内容 遥感探测的水体波谱信息：水可以吸收也可以散射通过水汽界面的波谱辐射能量（Ed），但水的散射会增加天空辐射能量（Eu），而水的吸收则会同时减少Ed和Eu。 遥感影像记录了地表物体的反射信息及其自身向外的辐射信息。相对于其他地物而言，水体在整个光谱范围内都呈现出较弱的反射率。 在近红外、中红外及短波红外部分，水体几乎吸收了去不得入射能量，因此水体在这些的反射率特别低，而土壤、植被、建筑物等在这些波段吸收能量较小，具有较高的反射率，是的水体与他们具有明显的区别。 水体信息提取有助于确定水体边界、了解水域面积变化、水文水资源要素，提取结果可用于水资源信息统计及相关的辅助决策 三实验方案 单波段法（阈值）； 多波段法（谱间关系法、比值法、归一化差异水体指数（NDWI）、改进的归一化差异水体指数（MNDWI） 1．图像预处理 （1）辐射定标：将DN值转成辐亮度 File--->open image file--->。。。。MTL.txt--->spectral--->Preprocessing--->Calibration Utilities--->Landsat Calibration--->（选择文件），OK--Radiance，File，choose（选择保存地址并命名），Ok （2）BSQ转成BIL Basic Tools-->Convert data （BSQ、BIL、BIP）-->-BIL，choose（选择保存地址并命名），Ok （3）Flaash大气校正 Spectral--->Preprocessing--->Calibration Utilities--->Flaash—>

Gabor纹理特征

利用Gabor滤波器组提取图像纹理特征 本部分将包含以下四个方面：纹理特征提取方法综述、Gabor滤波器简介、Gabor滤波器组实现纹理特征提取的步骤与实现、存在的问题与改进策略。 1、纹理特征提取方法综述[1] 纹理没有准确的定义，但对纹理认识的共识是：①纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息；②局部纹理信息不同程度的重复性，即全局纹理信息。 按照纹理特征提取方法所基于的基础理论和研究思路的不同，并借鉴非常流行的Tuceryan和Jain的分类方法，将纹理特征提取方法分为四大家族：统计家族、模型家族、信号处理家族和结构家族。 统计家族的方法是基于像元及其邻域的灰度属性，研究纹理区域中的统计特性，或像元及其邻域内的灰度的一阶、二阶或高阶统计特性；在模型家族中，假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割，因此模型参数的估计是该家族方法的核心问题；信号处理的方法是建立在时、频分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一致性以及区域间的相异性；结构家族的方法基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元构成，不同类型的纹理基元、不同的方向及数目等，决定了纹理的表现形式。信号处理家族的方法从变换域提取纹理特征，其他3个家族直接从图像域提取纹理特征。各个家族的方法既有区别，又有联系。 利用Gabor滤波器组提取图像纹理特征，如图所示，可以归结为信号处理家族中小波方法的一个分支。

水体DNA提取实验方法

水体DNA提取实验方法 1．取200ml 样品经0.22μm 的微孔滤膜过滤，将滤膜及过滤物在无菌条件下剪成1-2mm 的碎屑，放入Eppendorf 管中，加STET 缓冲液至满管，离心5分钟； 2．小心去上清，向沉淀中加入1mL STET 缓冲液洗涤，10000rpm 离心2min收集沉淀； 3．用200μL STET 缓冲液重悬沉淀，将4μL 50mg/mL 的溶菌酶加到悬液中，室温放置（37℃）5min，然后置94℃水浴保温2min； 5. 加入SDS 至终浓度为0.5%（10μL）和蛋白酶K 至终浓度为100μg/mL（1μL、20mg/ml），混合后置37℃水浴保温1h； 6. 加入NaCl 溶液（20μL、5mol/L）至终浓度为0.5mol/L，充分混匀，再加入25μL 5% CTAB（十六烷基三乙基溴化铵），混合并置65℃水浴保温10min； 7. 加入等体积（260μL，具体视情况而定）的饱和酚，混匀，12000rpm 离心5min，将上清液转入另一洁净的 1.5mL Eppendorf 管中； 8. 加入等体积酚/氯仿（V/V），混匀，12000rpm 离心5min，将上清液转入另一洁净的1.5mL Eppendorf 管中； 9. 加入0.6倍异丙醇混匀，在4℃或者-20℃（老师建议4℃）放置（沉淀）1h 或过夜；

10. 12000rpm 离心20min，小心吸出或者倒出异丙醇； 11. 用500μL 70%冷乙醇洗涤沉淀，12000rpm 离心5min 收集沉淀； 12. 小心吸出或者倒出乙醇，然后在吸水纸上倒置使残余乙醇流尽，空气干燥10－15 min，以便表面乙醇挥发，注意不要使沉淀完全干燥； 13. 加入30μL无菌双蒸水（ddH2O），用微量移液器吹吸，混合至DNA 充分溶解； 14. 将DNA 溶液存放于-20℃，不可使用自动除霜冰箱，以避免DNA 反复冻融； 药品准备 1. STET 缓冲液：8%蔗糖，50mM Tris（pH 8.0），50mM EDTA，0.1% Tween-20； 2. 50mg/mL 溶菌酶；蛋白酶K 3. 10% SDS；5mol/L NaCl；5% CTAB（十六烷基三乙基溴化铵）；

遥感卫星影像数据信息提取

北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业，卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路，根据观测任务的技术特征和用户需求特征，重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列，构建由26个星座及三类专题卫星组成的遥感卫星系统，逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1)光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求，提供worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、landsat(etm)、rapideye、alos、Kompsat卫星、北京二号、资源三号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求，发展极轨高分辨率光学卫星星座，实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求，建设高、低轨道合理配置的中分辨率光学卫星星座，实现全球范围天级快速动态观测以及全国范围小时级观测。 (2)雷达卫星影像系列 合成孔径雷达(SAR)观测星座。errasar-x、radarsat-2、alos、高分三号卫星围绕行业及市场应用对自然灾害监测、资源监测、环境监测、农情监测、桥隧形变监测、地面沉降、基础地理信息、全球变化信息获取等全天候、全天时、多尺度观测，以及高精度形变观测业务需求，发挥SAR卫星在复杂气象条件下的观测优势，与光学观测手段相互配合，建设高低轨道合理配置、多种观测频段相结合的卫星星座，形成多频段、多模式综合观测能力 (3)历史卫星影像系例 锁眼卫星影像1960年至1980年代的影像，高分辨率0.6米，已在中国各个行业得到广泛应用。 北京揽宇方圆信息技术有限公司公司为北京市创新企业，通过了严格国际质量体系认证，产品和服务质量均有着优良的保证，曾独立提供国家重大遥感图像工程项目和遥感图像处理项目，经过多年在遥感行业的积累，在遥感影像数据供应方面形成了一整套解决方

图像纹理特征提取方法

安徽大学 本科毕业论文（设计、创作） 题目：图像纹理特征提取方法研究 学生姓名：朱邵成学号：Z01114175 院（系）：电气工程与自动化学院专业：自动化 入学时间：2011年9月 导师姓名：寻丽娜职称/学位：讲师/博士 导师所在单位：安徽大学电气工程与自动化学院 完成时间：2015年5月

图像纹理特征提取方法研究 摘要 近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab