基于灰度共生矩的SAR图像纹理特征提取方法

杨凯陟，程英蕾

(空军工程大学电讯工程学院，陕西西安710077)

SAR图像中含有丰富的纹理信息，不同的目标粗糙度呈现出不同的纹理特征。目前，仅靠图像的灰度值对SAR图像信息进行提取精度较低。研究表明［1－4］，纹理辅助图像的灰度会提高图像信息提取的精度。为高精度地提取SAR图像中的有用信息，有必要研究SAR图像的纹理提取和选择方法。基于灰度共生矩阵的纹理特征提取方法，是一个经典的统计分析方法，对纹理的细节性和随机性描述较好，具有适应性强的特点。但多数研究对此方法只是概括说明，并未对提取窗口的大小、特征量的组合以及步骤等具体的细节进行深入分析和研究。文中提出了一种具体的基于灰度共生矩阵的SAR图像纹理特征提取方法，分析得到了灰度共生矩阵的最佳窗口尺寸、位移向量以及纹理特征量。针对SAR图像的仿真实验显示具有较好的目标描述效果。

1 基于灰度共生矩阵的纹理特征提取

1.1 图像预处理

通常SAR图像具有斑点噪声，在对图像进行纹理特征提取之前通常先选择合适的滤波算法，抑制图像的斑点噪声。综合滤波效果和运算量等因素，文中直接采用文献［5］提出的自适应中值滤波方法，其基本思想是中值滤波，且滤波窗口的大小根据图像局部的灰度值进行自适应调整。

由于灰度共生矩阵的大小与图像的灰度级相关，若图像的灰度级多，那么对应的灰度共生矩阵将为阶相应也高，这样计算量太大。因此，在消噪的基础上还需要对目标图像进行灰度级压缩处理［6］。

1.2 灰度共生矩阵及其特征量

灰度共生矩阵是建立在估计图像的二阶矩组合条件概率密度函数基础上的，研究图像中的两个像素组合的灰度配置情况，是最具代表性的二阶统计纹理特征计算方法［7］。

设d是一个位移向量(dr，dc)，其中，dr是行方向的位移;dc是列方向的位移;设I是灰度值的集合，灰度共生矩阵Cd定义如下

将共生矩阵的值规范到0和1之间，这样可以将这些数值理解为概率。

在计算灰度共生矩阵的基础上，可以通过计算各种参数来描述纹理特征，如下是几种常用的纹理描述:

(1)角二阶矩。

它是图像灰度分布均匀性或平滑性的度量。当Cd［i，j］中的数值分布较集中于主对角线附近时，说明从局部区域范围内观察图像的灰度分布是角均匀的，即图像呈现较粗的纹理，相应的角二阶矩值较大，反之较小。

(2)熵。

熵给出一个图像内容随机性的度量。当Cd［i，j］中的数值均相等时，熵最大，反之，Cd［i，j］的数值之间差别很大时，熵较小。

(3)对比度。

对于粗纹理，Cd［i，j］的数值较集中于主对角线附近。因此，(i－j)的值较小，所以对比度也较小。相反，对于细纹理则相对具有较大的对比度。

(4)均匀性。

均匀性能刻画局部区域的纹理特征，是区分不同目标的重要度量。

(5)相关度。

j］。此统计量是用来描述Cd［i，j］中行(或列)元素之间相似程度的，是图像灰度线性关系的度量。

(6)均值。

其中，I是图像的灰度级数。

(7)方差。

1.3 纹理特征量选择

根据灰度共生矩阵计算出的纹理特征描述众多，Haralick等人曾提出14种［8］，如果将众多特征描述量全部进行实验，则运算量非常大，时效性也差。文中首先针对SAR图像特点和实际军事应用，结合具体军事目标的先验知识，分析并选取较好的特征量。

文中选择美国加利福尼亚州中国湖空军基地的SAR图像进行实验，如图1所示，图像大小为522×446，重点关注草坪周围的机场跑道。跑道一般是由水泥混凝土或沥青筑成，其特点是连续、各向同性、均匀且较光滑，在SAR图像中的灰度值较小;而草坪相对粗糙，均匀性较差，在SAR图像中略亮。由上分析，选取描述平滑性好的ASM、描述随机性强的ENT、描述纹理粗细程度高的CON、描述灰度线性关系的COR和均匀性HOM作为区分跑道与草坪的特征量更合理。

图1 研究区SAR图像

1.4 纹理特征的提取

在提取SAR图像特征前，采用自适应中值滤波算法对其进行噪声抑制处理，中值滤波器最大窗口大小为7×7，滤波结果如图2所示。之后，将图像的灰度级由原来的128级压缩至64级，以减少后期特征提取的计算量。

图2 噪声抑制后的SAR图像

由于共生矩阵Cd［i，j］的值与所选取的位移向量(dr，dc)有较大关系，并且在同一幅图像上，不同的目标其纹理尺度可能不相同，而且根据同一灰度共生矩阵计算出的各纹理特征统计量之间，具有很强的相关性。因此，利用基于灰度共生矩阵的纹理特征辅助SAR图像分类，合适的位移向量、尺寸的窗口，以及纹理特征选择，是影响分类精度的重要因素。本文针对图像中的典型的军事目标，详细分析位移向量、窗口尺寸以及纹理特征组合对分类影响，在进行大量仿真实验的基础上获取了最佳选则。

2 实验结果分析

2.1 SAR图像特征提取与选择方法

本例所研究的SAR图像中，机场跑道是主要军事目标。目的是通过选择合适的位移向量、合适尺寸窗口以及纹理特征，将跑道与背景更好得区分开来。按照前述步骤的具体分析和实验过程如下:

(1)在经过预处理的图像中，分别在跑道和背景中随机选取数个子图像块，作为研究样本。如图2所示，在背景区b1，b2，b3，b4以及跑道区m1，m2，m3，m4，m5，m6，m7，m8等处分别选取大小为92×88，42×87，55×71，65×33，14×34，28×19，18×20，18×31，15×16，13×26，14×16，20×13的子图像块。

(2)设定窗口大小范围为3×3到13×13，位移向量(dr，dc)∈{0，1，2，3，4，5}×{0，1，2，3，4，5}，分别计算各样本在每个窗口大小和位移向量下的ASM值。

(3)将背景区和跑道区样本的ASM值进行统计，计算出两区域ASM的平均值之差。

(4)选取两区域ASM平均值之差最大的一组，分别做出背景区和跑道区ASM的统计直方图，观察直方图的分布状况。如果两部分的直方图没有重叠或重叠部分极少，那么ASM可作为此图像的一种纹理特征描述量，并且在此时的窗口大小和位移向量下效果最佳;如果两部分的直方图有较大重叠，说明根据ASM不能很好地区分出跑道和背景，那么ASM就不能作为此图像的纹理特征描述量。

(5)采用同样的方法，分析ENT、CON、COR和HOM，并进行计算。

2.2 实验结果

按上述分析，用Matlab进行仿真实验，得到如下结果:

(1)在窗口尺寸为3×3，位移向量为时，两组样本的ASM平均值之差最大为0.05。统计直方图如图3所示，两组直方图有重叠部分，但重叠部分数量极少，对区分两组样本影响不大，所以，ASM可作为此图像的一种纹理特征描述量。

图3 统计直方图

(2)在窗口尺寸为13×13，位移向量为时，两组样本的CON平均之差值最大，为22.93。统计直方图如图4所示。两组样本的统计直方图几乎全部重叠，故根据CON不能区分出跑道和背景，CON不能作为此图像的纹理特征描述量。本实验的最优窗口尺寸达到了设定的上限，如果窗口尺寸范围更大，效果可能会好。但由于在所选的SAR图像中，跑道中最窄区域的宽度只有13个像素，所以窗口尺寸的上限只能到13×13。

图4 统计直方图

(3)在窗口尺寸为5×5，位移向量为时，两组样本的COR平均值之差最大，为1.57。同样，直方图有极少量重叠，但不足以影响对目标的区分，可以将COR作为此图像的一种纹理特征描述量。

图5 统计直方图

(4)在窗口尺寸为13×13，位移向量为时，两组样本的ENT平均值之差最大，为0.41。统计直方图如图6所示。两组样本的ENT的统计直方图没有重叠部分，所以ENT可作为此图像的一种纹理特征描述量。

图6 统计直方图

(5)在窗口尺寸为3×3，位移向量为(1，0)时，两组样本的HOM平均值之差最大为0.14。统计直方图如图7所示。两组样本的HOM统计直方图基本全部重叠，故根据HOM不能区分出跑道和背景，HOM不能作为此图像的纹理特征描述量。

图7 统计直方图

3 结束语

基于灰度共生矩阵的图像纹理特征提取方法，是SAR图像纹理特征提取的有效方法，也是影响SAR图像分类精度的重要因素［10－12］。根据不同的目标纹理尺度，可选择适当尺寸的窗口和位移向量计算灰度共生矩阵。文中研究了纹理特征筛选和窗口尺寸以及位移向量选择的问题，在不同的窗口尺寸和位移向量下，样本纹理特征的分布及其平均值的相差程度。通过对机场跑道和草坪背景这两种典型目标的纹理特征选择与分类实验，得到有效地区分这两个目标的3种纹理特征，取得了较好的效果。

［1］ 解洪胜，张虹，徐秀．SVM和DT－CWT的纹理图像分类方法研究［J］．中国矿业大学学报，2007，36(6):773－778．

［2］ 张剑清，佘琼，潘励．基于LBP/C纹理的遥感影像居民地变化检测［J］．武汉大学学报:信息科学版，2008，33(1):7－11．

［3］ 陈志鹏，邓鹏．纹理特征在SAR图像变化检测中的应用［J］．遥感技术与应用，2002，17(3):162－166．

［4］ 方圣辉，朱武．辅以纹理特征的SAR图像分类研究［J］．测绘通报，2001(10):94－97．

［5］ RAFAEL C G，RICHARD E W，STEVEN L E．Digital image processing using Matlab［M］．阮秋琦，译．北京:电子工业出版社，2009．

［6］ 李海权，胡召玲，孙陟文，等．基于纹理的SAR图像居民地信息提取［J］．遥感应用，2008，96(4):56－79．

［7］ 胡召玲．多源多时相卫星遥感图像数据融合与应用研究［M］．徐州:中国矿业大学出版社，2006．

［8］ 宋建社，郑永安，袁礼海．合成孔径雷达图像理解与应用［M］．北京:科学出版社，2008．

［9］ 郑扬，俞能海．基于共生矩阵的SAR图像村庄识别方法［J］．计算机仿真，2008，25(3):206－209．

［10］ ESLAMI R，RADHA H．Wavelet－based contourlet transform and its ap plication to image coding［C］．Singapore:Proc of IEEE International Conference on Image Processing，2004．

［11］ DO M N，VETTERLI M．Contourlet:a directional multiresolution image representation［C］．Singapore:IEEE ICIP，2002．

［12］ 李虞，刘军．高分辨率SAR图像机动目标纹理特征提取与分析［J］．电子信息学报，2008，30(12):2809－2812．