灰度共生矩阵(GLCM)特征在遥感图像分类中的实际运用。

简介：
灰度共生矩阵（GLCM）特征的实际应用广泛。Haralick利用ERTS1002–18134卫星的多光谱图像，对美国加利福尼亚海岸带的土地利用状况进行了研究，并采用灰度共生矩阵方法进行纹理分析。该海岸带主要包含七种类型的地貌：沿岸森林、树林、草地、城区、小型灌溉区、大型灌溉区以及水域。针对ERTS1002–18134四波段卫片，选取大小为64*64象素且不重叠的窗口，以间隔δ=1和Ng=16（将0-255的灰度值压缩成16级）进行处理。随后，将提取到的纹理特征与多光谱灰度特征融合，构建出包含16*1个特征向量，并针对这七类地域分别选取314个训练样本和310个检验样本。通过提取这些特征后，运用分段线性分类器进行分类，最终实现了平均83.5%的分类精度。如果仅依赖于多光谱信息，并使用8个光谱特征向量对七类地域进行分类，则其分类精度仅为74-77%，这表明纹理分类显著提升了典型的模式识别效果，原因在于该方法充分利用了图像灰度分布的结构信息。