Page 176 - 测绘新技术的理论与实践研究

测绘新技术的理论与实践研究

 ,1 G ( yx, )≥ T
=
f ( ′ x，y )  （5-1）
＜
 , 0 G ( yx, ) T
阈值法因其实现简单、计算量小、性能较稳定而成为最基本和应用最广泛的
提取方法。这种方法对于在物体与背景之间存在明显差别（对比）的景物提取十
分有效。

常见的纹理特征主要有：空间域的灰度共生矩阵、Laws 纹理、Tamura 纹理；
频率域的小波变换纹理、傅里叶变换纹理和 Gabor 变换纹理。
灰度共生矩阵（Gray Levelco-occurrence Matrix，GLCM）反映不同像素相对

位置的空间信息，在一定程度上反映了纹理图像中各灰度级在空间上的分布特性，
是纹理分析领域中最经常采用的特征之一。灰度共生矩阵是图像灰度变化的二阶
统计度量，也是描述纹理结构性质特征的基本函数，它统计了两个像素点位置的
联合概率分布。

设 f（x，y）为二维数字图像，其大小为 M×N，灰度共生矩阵各元素 p（i，
jld，0）表示在 0 方向上、相隔 d 像素距离的一对像素，分别具有灰度值 i 和 j 的

出现概率，其公式如下：
=
( jip , d,θ ) { ,# (x 1 y 1 ) (x ,, 2 y 2 ) M ×∈ N f (x , y 1 ) i= , f (x , y 2 ) } j= （5-2）
2
1
式中： 表示集合的元素
个数。灰度共生矩阵是一个对称矩阵，其阶数由图像中的灰度级个数决定，如果

图像灰度级别为 Ng，则共生矩阵的大小为 Ng× Ng。
对于粗纹理影像，其灰度共生矩阵的值较集中在主对角线附近，因为对于粗
纹理，像素对趋于具有相同的灰度。而对于细纹理影像，其灰度共生矩阵的值散

布在各处。由此可见，灰度共生矩阵确实可反映不同灰度像素相对位置的空间
信息。
灰度共生矩阵中，可以提取 14 种特征来表征图像的纹理。在实际中应用较

多的是角二阶矩（能量）、惯性矩（对比度）、嫡、相关等特征。
为了较好地自动设定阈值，学者提出了各种各样的阈值处理技术，包括全局
阈值、自适应阈值、最佳阈值等等。传统的阈值分割方法包括：最大类间方差法、

最大嫡法、最小误差阈值法。对于水体区域小或灰度复杂的遥感图像，自动阈值
的方法难以适应。因此，这部分设计半自动的交互方式，以种子点的局部区域为

164