EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 7: 822

DOI: https://doi.org/10.3724/SP.J.1047.2015.00822

DEM分辨率对地形纹理特征提取的影响

  • 黄骁力 ,
  • 汤国安 * ,
  • 刘凯
展开
  • 1. 南京师范大学虚拟地理环境教育部重点实验室,南京 210023;2. 江苏省地理信息资源开发与利用协同中心,南京 210023
*通讯作者：汤国安(1961-),男,浙江宁波人,博导,研究方向为地理信息系系统、DEM与数字地形分析及GIS空间分析。E-mail:

作者简介：黄骁力(1990-),男,浙江宁波人,硕士生,主要从事DEM数字地形分析研究。E-mail:

收稿日期: 2014-11-04

  要求修回日期: 2015-01-13

  网络出版日期: 2015-07-08

基金资助

国家自然科学基金项目(41171320、41401440)

江苏省普通高校研究生科研创新计划(KYLX_0701)

收起

Influence of DEM Resolution on the Extraction of Terrain Texture Feature

  • HUANG Xiaoli ,
  • TANG Guo'an * ,
  • LIU Kai
Expand
  • 1. Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210023, China;2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing, 210023, China
*Corresponding author: TANG Guo'an, E-mail:

Received date: 2014-11-04

  Request revised date: 2015-01-13

  Online published: 2015-07-08

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

地形纹理是区分不同地貌形态的重要依据,DEM是地形纹理分析的重要数据。然而,DEM分辨率使地形纹理特征提取存在着不确定性问题。本文以具有显著地貌多样性与差异性的陕西省为例,选择6个不同地貌类型区为研究区,以25 m分辨率DEM数据作为信息源,构建了多尺度的地面坡度、光照模拟和粗糙度数据序列。在此基础上,引入空间灰度共生矩阵（GLCM）对地形表面纹理特征进行量化分析,以揭示数据分辨率对地形纹理特征提取的影响。研究表明：对于单一样区,在DEM及其3个派生数据中,原始高程数据和粗糙度数据的纹理参数特征值,对分辨率的变化较为敏感。对于不同的地貌类型区,二阶角矩和对比度这2个纹理参数具有最大的变异系数,表明它们对于区分不同地貌类型的能力最强;二阶角矩具有较大的尺度依赖性,随着分辨率的降低,其区分能力急剧降低,而对比度对于地貌的区分能力,则随着分辨率的降低而增强,并保持在一个较大的范围内。DEM数据的对比度对于不同地貌的区分能力,在所选4个参数中最为稳定,而粗糙度数据的二阶角矩区分不同地貌的能力,随着数据分辨率的变化而最不稳定。以上结果对于根据不同的研究对象选择适宜的DEM分辨率及地形纹理参数具有一定的指导意义。

关键词： 灰度共生矩阵; DEM; 地形纹理; 数据分辨率; 尺度效应

本文引用格式

黄骁力 , 汤国安 , 刘凯 . DEM分辨率对地形纹理特征提取的影响[J]. 地球信息科学学报, 2015 , 17(7) : 822 . DOI: 10.3724/SP.J.1047.2015.00822

Abstract

Terrain texture is an important basis to distinguish different types of landform. Due to its purity in representing terrain surface topography and its derivability in terrain analysis, the analysis of DEM based terrain texture has become one of the important research subject in digital terrain analysis. But little research has focused on the scale effect of DEM based terrain texture. In this paper, DEM with 25 m resolution from 6 sample areas that represent the different landform types in Shanxi Province were selected as the source data and were further resampled into different resolutions ranging from 25 m to 325 m with a fixed interval of 50 m. The experiment dataset contains the DEM and its derivatives (slope, hillshading and roughness). A quantitative analysis was conducted on the textural features using gray level co-occurrence matrix (GLCM) model to discuss the variation characteristics of DEM based terrain texture with respect to the varied data resolution. Experiments show that the parameters of DEM and roughness data are the most sensitive factors with respect to the changes in data resolution. When considering different types of sample areas, the variation coefficients of angular second moment (ASM) and contrast (CON) have the biggest values among the six parameters, showing that they have the strongest ability to distinguish different types of landforms. In addition, ASM has relatively high scale-dependency and its distinguish ability declines dramatically with the change of data resolution (the values of standard deviation change from 0.032 to 0.011 and from 0.101 to 0.038), which indicates that ASM is suitable for recognizing the detailed terrain texture. On the contrary, the ability of CON to distinguish landform revealed an increase trend from 25 m to 325 m resolution (the values of standard deviation change from 0.145 to 0.241 and from 0.325 to 0.783), and it has relatively low scale-dependency that indicating its suitability in recognizing the wide-range terrain texture. Overall, this study is significant for a better understanding of DEM based terrain texture, and the scale effects of other texture models will be investigated in further studies.

Key words： gray level co-occurrence matrix; DEM; terrain texture; data resolution; scale effect

1 引言

纹理特征是区分不同物体的重要依据[1-6]。遥感影像上反映的纹理不是一种绝对意义上的地形纹理,它主要表达地物的光谱特征,难以反映地形的高程变化信息。同时,它在很大程度上受地表覆盖物（例如建筑、植被等）的影响,尤其在平原等地形微起伏地区,此类干扰更加突出。为了解决这个问题,一些学者将遥感影像的纹理分析方法引入到数字地形分析中,提出了DEM地形纹理的概念。在一定的空间尺度下,DEM地形纹理表现为同类地形的相似性与不同类地形的区域差异性。因此,通过设计地形纹理的量化模型与指标,可对不同的地貌类型区进行区分和识别[6-7]。
DEM作为数字化的地形模型,试图通过离散的方式表达连续变化的地形曲面,必然受到各种尺度的约束[8-11]。当利用已获取的DEM数据进行地形纹理分析时,所选择的分辨率将直接决定分析结果的尺度特征。现有研究还未涉及DEM结构尺度的变化,即分辨率对地形纹理量化模型与分析精度的影响。因此,本文主要针对DEM的分辨率讨论地形纹理分析中的尺度问题。在不同地貌类型区的基础上,以灰度共生矩阵模型中的6个纹理参数为研究对象,研究不同数据的纹理特征尺度效应,以及不同地貌类型的纹理特征尺度效应。

2 实验数据与方法

2.1 实验数据

考虑到实验样区内地貌类型的多样性,以及实验数据的完备性,本文将实验样区选择在陕西省境内,按照中国陆地1:100万数字地貌分类体系[12-13],根据海拔高度和起伏度等形态指标,将实验区地形形态分为平原、台地、丘陵、山地4大类。由于平原和台地的纹理特征与丘陵和山地差别较大,从DEM图像上易于识别,在不同地貌类型的纹理特征分析中代表意义不大,故舍弃。
因此,本文按不同地貌形态,在陕西省选择了6个典型样区：（1）黄土峁梁区;（2）黄土梁峁区;（3）黄土残塬区;（4）低山区;（5）中山区;（6）高山区。
本实验选用1:5万比例尺DEM数据（栅格大小25 m）,源自国家基础地理信息中心。该尺度DEM数据既保证了一定的数据精度和较精细的地形形态特征,也降低了高精度DEM数据带来的随机噪声干扰。在原始DEM高程数据的基础上进行数据派生,在所有的派生数据中,坡度是地形曲面函数一阶微分的函数,是地表形态最为重要的因子;光照模拟是依据太阳光对地面照射所产生的敏感程度,用相应灰度色调或色彩输出来直观表达地面起伏变化的一种地形可视化方法,相应的灰度值与坡度、坡向、太阳方位角,以及太阳高度角有关;地表粗糙度是反映地表的起伏变化和侵蚀程度的指标,一般定义为地表单元的曲面面积与其在水平面上的投影面积之比,实际应用时可采用近似公式（式（1））求解。
R = 1 / cos ( S ) （1）
式中,R表示粗糙度;S表示坡度。
首先对6个样区的DEM数据进行重采样,分别生成75、125、175、225、275和325 m的数据,而后派生出相应分辨率的坡度、光照模拟及粗糙度数据,由此构成由7个不同分辨率组成的数据尺度序列。实验样区分布图及各样区原始DEM、原始坡度图、原始光照模拟图和原始粗糙度图如图1所示。
Fig. 1 The test areas in Shaanxi Province

图1 实验样区分布图

2.2 地形纹理特征提取实验方法

实验流程如图2所示。
Fig. 2 Process diagram of the experiment

图2 实验流程图

2.2.1 模型构建
（1）地形纹理量化模型的选择：其是地形纹理分析的关键,纹理的分析主要可分为空间域的纹理特征量化方法和频率域的纹理特征量化方法2大类算法[14]。其中,统计型纹理分析方法作为空间域纹理量化的一种,将纹理作为一种随机统计过程,借助由局部区域抽象出的统计特征定义纹理,被认为更适合分析自然纹理[15-16]。因此,本文选择了统计型纹理分析方法中的灰度共生矩阵模型,作为地形纹理的量化模型。灰度共生矩阵模型（GLCM）以估计二阶组合条件概率密度函数为基础,通过描述在一定方向一定距离条件下,不同像元灰度组合出现的统计规律,从而对图像的纹理特征进行表达。研究表明[17],该模型可有效地实现对地形特征的量化表达。
（2）参数调整：不同于遥感影像利用光谱信息直接反映地形纹理,DEM数据本身没有纹理,其栅格属性值为高程值,值域范围与灰度图像的值域范围不同,因此,以DEM构建灰度共生矩阵,需将所表达的高程数据进行相应的灰度域映射。假设DEM图像中任意2栅格点对的距离为 d ,栅格点对的方向角为 θ 。统计DEM映射成灰度域后的图像中灰度为 i 的栅格与图像中灰度为 j 的栅格,在点对间距为 d ,点对方向角为 θ 的条件下同时出现的频度 P ( i , j , d , θ ) ,构成灰度共生矩阵 C ( d , θ ) 。
由灰度共生矩阵的表达式可知,栅格点对间的距离 d 和栅格点对的方向角 θ ,会直接影响模型的最终结果。因而,这2个核心变量是决定灰度共生矩阵模型在纹理分析上具有良好适用性的关键。根据现有研究[14-16],本实验选择 d =5为灰度共生矩阵的点对距离参数;不考虑灰度共生矩阵点对方向改变的影响,将0°、45°、90°、135°方向分别计算的特征参数取均值,作为模型各参数的特征值。
（3）指标选取：灰度共生矩阵共有14个参数[17],这些参数之间存在信息冗余,需对由灰度共生矩阵得到的参数进行指标选取,以有效地表征不同地貌类型样区。结合现有研究[6-7,15-20],本文选取了最为常用的6个纹理参数（表1）,各纹理参数的计算均根据其定义使用Matlab实现。
Tab. 1 The physical significance of each texture parameter

表1 纹理参数及物理意义

名称 缩写 物理意义
对比度 CON 反映邻近栅格间的反差,可理解为纹理的明显度或强度
二阶角矩 ASM 反映纹理特征分布的均匀和粗细程度
方差 VAR 反映纹理变化快慢、周期性大小的物理量
熵 ENT 反映图像的信息量,用于度量纹理的随机性特征,表征纹理的复杂程度
逆差矩 IDM 反映纹理的规则程度
差的方差 DFV 反映邻近栅格灰度值差异的方差
（4）纹理量化：利用所选择的地形纹理量化模型对筛选以后得到的纹理参数进行特征量化。
2.2.2 关键实验
（1）单一样区：以多种数据为基础,研究不同数据分辨率下的纹理指标的变化,理清单一样区不同数据的结构尺度依赖性。
（2）多个样区：以不同地貌样区数据为基础,研究在不同数据分辨率下,不同地貌类型的纹理特征结构尺度依赖性。

3 纹理特征提取实验结果与分析

3.1 单一样区不同数据的尺度效应分析

本实验选用的6个纹理参数值域各不相同,为便于对比,本文将6个纹理参数进行归一化处理（式（2））。
f n = f - f min f max - f min （2）
式中, f n 为归一化处理后的参数值; f 为原始纹理参数值; f min 为纹理参数的最小值; f max 为纹理参数的最大值。以高山样区为例,4个不同数据的6个纹理参数,随着数据分辨率的变化,表现出不同的变异特征,结果如图3所示。实验结果表明,数据分辨率的变化均使得纹理参数特征值发生较大改变。比较不同的数据发现,粗糙度数据的纹理参数特征值随着分辨率的降低变化较为规律,其中,二阶角矩、逆差矩、差的方差3个参数的特征值,随着分辨率的降低单调减少（或近似单调）,而对比度、方差和熵这3个纹理参数的特征值,则随着分辨率降低而单调增加（或近似单调）。从结构尺度特征分析,该类指标在统计意义上没有明显的拐点,即该类纹理参数在整个分析过程中,均保持在一个尺度域特征范围内。因此,该类指标可适用于较大范围的纹理特征量化。在纹理分析时,只要将待研究样区的地形数据的分辨率都保持在一个尺度域下,即可保证这些纹理参数特征值的相对稳定;对于DEM数据和坡度数据来说,除了方差的特征值随着分辨率的变化出现了大范围的波动外,其余的纹理参数特征值都呈现单调变化（或近似单调）的趋势;而对于光照模拟数据,其纹理参数特征值的变化则较为混乱,其中,熵曲线随着分辨率降低而单调下降,二阶角矩曲线则随着分辨率降低而单调上升（或近似单调）,其余4条曲线随着分辨率的降低都出现明显的拐点。可以认为,随着数据分辨率的改变,该类纹理参数特征曲线含有不止一个尺度域范围。因此,在利用这4类纹理参数进行纹理分析和地形形态特征识别等研究前,首先需对地形数据的尺度特征进行测试,只有数据的分辨率均保持在同一个（或相近）尺度域特征内,其特征值的对比分析才较为可信。
Fig. 3 Characteristics of the texture parameters with respect to the varied data resolution

图3 纹理参数随数据分辨率变化特征

以上分析是归一化后的纹理参数特征进行讨论。表2为采用不同数据计算的纹理指标,在不同尺度范围的实际变化率。表2中S1、S2、S3、S4、S5、S6分别代表数据分辨率范围为25~75 m、75~125 m、125~175 m、175~225 m、225~275 m、275~325 m。随着数据分辨率的变化,大部分指标的波动情况并不大,平均变化率基本保持在10%以下,在地形形态分析时可忽略。但DEM数据及粗糙度数据的对比度的数值变化较大,最高达到了118%。因此,在以DEM数据及粗糙度数据的对比度进行地形形态特征分析时,尤其要注意保持数据尺度的一致性。表2进一步统计了4类数据全部纹理参数的平均变化率,其中,DEM数据与粗糙度数据在这个尺度序列中纹理特征值变化率的总平均值,明显高于坡度和光照模拟数据,这一规律在其他5个样区的实验中也得到了充分的体现。因此,可以认为坡度数据和光照模拟数据有效增强了原始DEM高程数据的纹理特征,使其图像拥有较为明显的结构性特征,在数据分辨率降低时其纹理特征能在一定尺度范围内保持较强的稳定性;相反DEM数据与粗糙度数据的纹理参数特征值对数据分辨率的变化较为敏感,具有更强的尺度依赖性。
Tab. 2 Statistics of the texture parameters with respect to the varied resolution

表2 地形纹理参数随分辨率变化统计

DEM（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差 总平均值
S1 0.220 1.185 0.001 0.079 0.135 0.268
S2 0.143 0.441 0.002 0.057 0.063 0.153
S3 0.100 0.314 0.003 0.047 0.043 0.106
S4 0.109 0.256 0.028 0.042 0.042 0.085
S5 0.062 0.194 0.008 0.037 0.023 0.066
S6 0.023 0.150 0.004 0.028 0.015 0.058
平均值 0.109 0.423 0.008 0.048 0.053 0.123 0.128
坡度（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差 总平均值
S1 0.149 0.172 0.044 0.055 0.033 0.073
S2 0.187 0.227 0.084 0.057 0.063 0.110
S3 0.086 0.115 0.0004 0.038 0.027 0.050
S4 0.013 0.010 0.033 0.005 0.003 0.012
S5 0.029 0.039 0.016 0.014 0.008 0.020
S6 0.062 0.039 0.035 0.004 0.016 0.041
平均值 0.088 0.100 0.036 0.029 0.025 0.051 0.055
光照模拟（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差 总平均值
S1 0.105 0.014 0.024 0.057 0.035 0.079
S2 0.237 0.176 0.015 0.04 0.059 0.150
S3 0.193 0.162 0.013 0.037 0.054 0.131
S4 0.053 0.055 0.020 0.004 0.022 0.049
S5 0.107 0.075 0.007 0.023 0.029 0.075
S6 0.004 0.005 0.006 0.002 0.001 0.003
平均值 0.116 0.081 0.014 0.027 0.033 0.081 0.060
粗糙度（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差 总平均值
S1 0.318 0.408 0.287 0.056 0.249 0.151
S2 0.373 0.746 0.480 0.096 0.331 0.201
S3 0.109 0.240 0.125 0.037 0.078 0.087
S4 0.019 0.031 0.009 0.002 0.0006 0.010
S5 0.013 0.087 0.032 0.009 0.0206 0.037
S6 0.059 0.030 0.045 0.009 0.022 0.018
平均值 0.148 0.257 0.163 0.035 0.117 0.084 0.134

3.2 不同地貌类型纹理特征尺度效应分析

由上述分析可知,DEM数据和粗糙度数据的纹理参数特征值,对分辨率的变化较为敏感,因此,选择这2个数据作为不同地貌类型纹理特征尺度效应分析的数据。为研究各个纹理参数在25~325 m数据尺度序列之间,对不同地貌类型区的区分能力的变化,本文引入能表示地理数据的相对变化或波动程度的变异系数进行分析。
在不同数据分辨率下,计算DEM数据与粗糙度数据的纹理参数特征值,对不同样区的变异系数,结果如表3所示。
Tab. 3 Variation coefficients of the texture parameters with respect to the varied resolution

表3 地形纹理参数变异系数随分辨率变化统计

DEM（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差
25 0.249 0.485 0.183 0.077 0.079 0.231
75 0.268 0.414 0.202 0.094 0.066 0.185
125 0.240 0.337 0.205 0.086 0.052 0.148
175 0.216 0.281 0.206 0.076 0.046 0.124
225 0.182 0.242 0.205 0.068 0.039 0.110
275 0.182 0.226 0.209 0.065 0.038 0.109
325 0.171 0.199 0.208 0.060 0.032 0.099
平均值 0.216 0.312 0.203 0.075 0.050 0.144
粗糙度（m） 二阶角矩 对比度 方差 逆差矩 熵 差的方差
25 0.431 0.464 0.274 0.103 0.220 0.234
75 0.483 0.514 0.328 0.148 0.205 0.308
125 0.401 0.328 0.561 0.123 0.142 0.255
175 0.302 0.369 0.244 0.115 0.114 0.213
225 0.310 0.327 0.233 0.115 0.108 0.211
275 0.300 0.315 0.231 0.111 0.102 0.191
325 0.334 0.417 0.314 0.123 0.136 0.222
平均值 0.366 0.391 0.312 0.120 0.147 0.234
由此可见,二阶角矩和对比度的平均变异系数最大,表明这2个纹理参数用于区分本实验中的不同类型的地貌样区的能力最强。根据DEM数据和粗糙度数据的二阶角矩和对比度这2个纹理参数,对6个不同样区的特征值随分辨率改变的变化情况制作散点图（图4）。从图4可看出,二阶角矩特征值都随着分辨率的降低而单调下降（或近似单调）,二阶角矩反映了图像灰度分布的均匀程度,表明随着分辨率的降低图像的纹理特征变得不规则;而2个数据的对比度特征值,都随着分辨率的降低而单调上升（或近似单调）,对比度反映的是邻近栅格间的差异程度,表明随着分辨率的降低邻近栅格差异程度变大,即纹理变化较快。从特征值的变化范围来看,对不同地貌类型样区,二阶角矩的值域随着分辨率的降低而减小,数据散点逐渐集中;而对比度在25 m分辨率时较为集中,当分辨率变为75 m时,数据值域迅速增大,此后均保持在一个较大的范围内。进一步采用标准差分析纹理特征值在不同尺度下的离散程度,如图5所示。
Fig. 4 Changes of angular second moment and contrast with respect to the varied data resolution

图4 二阶角矩和对比度的特征值随数据分辨率变化特征

Fig. 5 The standard deviations of angular second moment and contrast with respect to the varied data resolution

图5 二阶角矩和对比度的标准差随数据分辨率变化特征

纹理参数的标准差的变化趋势与散点图中特征值值域的变化趋势基本一致,在值域范围较大处对应的标准差较大,值域范围小处对应的标准差小。可以认为,DEM数据和粗糙度数据的二阶角矩参数在较为精细的分辨率下对不同地貌类型的区分能力强,而当分辨率降低时其对地貌的区分能力逐渐减弱,这类参数对细节纹理特征的改变响应较为敏感;而2个数据的对比度在精细尺度下,对不同地貌类型的区分能力较弱,当分辨率降低时,其区分能力大大增强。这类参数无法对细节纹理特征的改变做出响应,相反在区分较大范围的纹理特征时能力较强。
为探讨纹理指标在不同尺度下对不同地貌区分能力的稳定性,对标准差计算变异系数,结果如表4所示。从表4可看出,DEM数据的对比度标准差的变异系数最小,表明作为区分不同地貌类型样区的量化指标,其具有最小的结构尺度依赖性,当数据分辨率在25~325 m尺度序列变化时,它对不同地貌类型的区分能力变化最为稳定;相反,粗糙度数据的二阶角矩标准差的变异系数的值最大,表明其具有最大的尺度依赖性,对区分不同地貌的能力变化最不稳定。
Tab. 4 The variation coefficients of angular second moment and contrast

表4 二阶角矩和对比度的变异系数

二阶角矩 对比度
DEM 0.413 0.166
粗糙度 0.524 0.232

4 结论

本文基于灰度共生矩阵模型,初步探讨了数据分辨率的变化,对DEM地形纹理表达的影响,结果表明：
（1）基于灰度共生矩阵的DEM地形纹理参数,随着数据分辨率的变化,发生较大的改变,并由此给地貌的识别与区分带来不确定性。
（2）对于单一样区,以高山为例,在DEM、坡度、光照模拟及粗糙度4种数据中,粗糙度的纹理参数特征值,对于数据分辨率的响应最为敏感,DEM数据次之,而光照模拟和坡度的纹理参数特征值,对于数据分辨率的响应最不敏感。
（3）对于不同地貌类型样区,在所有6个纹理参数中,二阶角矩和对比度这2个纹理参数,对于区分不同的地貌类型的能力最强,这一点并不随着数据分辨率的变化而改变;DEM数据和粗糙度数据的二阶角矩参数在较为精细的尺度下,对不同地貌类型的区分能力强,而当分辨率降低时其对地貌的区分能力逐渐减弱,这类参数对细节纹理特征的改变响应较为敏感,适合于区分纹理的细节部分,相反对比度则在区分大范围数据的纹理时能力较强;另外,DEM数据的对比度区分不同地貌样区的能力,随着数据分辨率的变化改变最小,粗糙度数据的对比度次之,而二者的二阶角矩则具有相对较大的尺度依赖性。
（4）本文选用了统计型纹理分析方法中的灰度共生矩阵作为地形纹理量化的模型,而实际上还有大量的地形纹理的量化方法,包括不变矩模型、三维空隙度模型,以及小波分析模型等。本文的结论并不适用于其他模型,因此,对其他地形纹理量化模型的尺度效应分析将是今后研究的重点。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Ilea D E, Whelan P F.Image segmentation based on the integration of color-texture descriptors—A review[J]. Pattern Recognition, 2011,44(10-11):2479-2501.

[2]
Haralick R M, Shanmugam K, Dinstein I H.Textural features for image classification[J]. IEEE Transactions on SMC, 1973,3(6):610-621.

[3]
郑肇葆. 马尔柯夫场在影像纹理模拟中的应用[J].测绘学报,1993,22(4):255-262.

[4]
吴高洪,章毓晋,林行刚.利用小波变换和特征加权进行纹理分割[J].中国图象图形学报,2001,6(4):333-337.

[5]
刘明霞,侯迎坤,郭小春,等.新的纹理图像特征提取方法[J].计算机应用,2009,(12):3434-3436.

[6]
陶旸. 基于纹理分析方法的DEM地形特征研究[D].南京:南京师范大学,2011.

[7]
刘凯,汤国安,陶旸,等.基于灰度共生矩阵的DEM地形纹理特征量化研究[J].地球信息科学学报,2012,14(6):751-760.

[8]
Quattrochi D A, Goodchild M F.Scale in remote sensingand GIS[M]. Boca Raton, FL: Lewis Publishers, 1997.

[9]
汤国安,刘学军,房亮,等.DEM及数字地形分析中尺度问题研究综述[J].武汉大学学报(信息科学版),2006,31(12):1059-1066.

[10]
刘学军,卢华兴,仁政,等.论DEM地形分析中的尺度问题[J].地理研究,2007,26(3):433-442.

[11]
秦承志,呼雪梅.栅格数字地形分析中的尺度问题研究方法[J].地理研究,2014,33(2):270-283.

[12]
周成虎,程维明,钱金凯,等.中国陆地1:100万数字地貌分类体系研究[J].地球信息科学学报,2009,11(6):707-724.

[13]
程维明,周成虎,柴慧霞,等.中国陆地地貌基本形态类型定量提取与分析[J].地球信息科学学报,2009,11(6):725-736.

[14]
刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(4):622-635

[15]
于海鹏,刘一星,张斌,等.应用空间灰度共生矩阵定量分析木材表面纹理特征[J].林业科学,2004(6):121-129.

[16]
王晗,白雪冰,王辉.基于空间灰度共生矩阵木材纹理分类识别的研究[J].森林工程,2007,23(1):32-36.

[17]
Haralick R M.Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979,67(5):786-804.

[18]
于海鹏. 基于数字图像处理学的木材纹理定量化研究[D].哈尔滨:东北林业大学,2005.

[19]
Ulaby F T, Kouyate F, Brisco B, et al.Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986,24(2):235-245.

[20]
薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1):155-158.

Options
文章导航

/

〈 〉