特征提取¶
这一术语 Feature Extraction 是指旨在从图像中提取附加值信息的技术。这些提取的项目名为 features 可以是局部统计矩、边缘、辐射指数、形态和纹理属性。例如，这些特征可以用作其他图像处理方法的输入数据，例如 Segmentation 和 Classification 。
本地统计信息提取¶
这个应用程序在指定的邻域内，对输入图像的选定通道中的每个像素计算4个局部统计矩。输出图像是多波段的，每个波段有一个统计矩(特征)。因此，4个输出特征是均值、方差、偏度和峰度。它们在输出图像中按此顺序提供。
这个 LocalStatisticExtraction 应用程序具有以下输入参数：
-``-in`要计算要素的输入图像
-``-out`包含局部统计矩的输出图像
该应用程序可按如下方式使用：
otbcli_LocalStatisticExtraction -in InputImage.tif
-channel 1
-radius 3
-out OutputImage.tif
边缘提取¶
此应用程序计算输入图像的选定通道中每个像素的边缘特征。
这个 EdgeExtraction 应用程序具有以下输入参数：
-``-in`要计算要素的输入图像
- -``-频道``输入画面中选中的频道索引为
- 已处理(默认值为1)
-filter边缘检测方法的选择(梯度/Sobel/Touzi)(默认为梯度)
-``(-filter.Touzi.xRadius)``Touzi处理邻域的X半径(仅当Filter==Touzi时)(默认为1像素) __
(-filter.touzi.yradius)Touzi处理邻域的Y半径(仅当Filter==Touzi时)(默认值为1像素)
-``-out``包含边缘特征的输出单波段图像
该应用程序可按如下方式使用：
otbcli_EdgeExtraction -in InputImage
-channel 1
-filter sobel
-out OutputImage
或者像这样，如果Filter==Touzi：
otbcli_EdgeExtraction -in InputImage
-channel 1
-filter touzi
-filter.touzi.xradius 2
-filter.touzi.yradius 2
-out OutputImage
辐射指数提取¶
这个应用程序使用输入图像的通道计算辐射指数。输出是多波段图像，其中每个通道都是所选索引之一。
这个 RadiometricIndices 应用程序具有以下输入参数：
-``-in`要计算要素的输入图像
-``-out``包含辐射指数的输出图像
- -``-Channel els.Blue``输入图像中的蓝色通道索引(默认
- 值为1)
- -``-Channel els.green``输入画面中的绿色通道索引
- (默认值为1)
- -``-Channel els.red`输入图像中的Red通道索引(默认
- 值为1)
- -``-Channel els.nir`输入图像中的近红外通道索引
- (默认值为1)
- -``-Channel els.mir``输入画面中的中红外通道索引
- (默认值为1)
- -``-list``可用辐射指数列表(默认为
Vegetation:NDVI)
请注意，频段编号从1开始。
将列出的可用辐射测量指数 -list 括号中的相关频道包括：
| 索引 | 描述 | 所需频段 |
|---|---|---|
| 植被：NDVI | 归一化差异植被指数 | 红色，近红外 |
| 植被：TNDVI | 变换归一化差异植被指数 | 红色，近红外 |
| 植被：RVI | 比率植被指数 | 红色，近红外 |
| 植被：保存 | 土壤调节植被指数 | 红色，近红外 |
| 植被：TSAVI | 转化土壤调整植被指数 | 红色，近红外 |
| 植被：MSAVI | 改良型土壤调节植被指数 | 红色，近红外 |
| 植被：MSAVI2 | 改良土壤调节植被指数2 | 红色，近红外 |
| 植被：GEMI | 全球环境监测指数 | 红色，近红外 |
| 植被：IPVI | 红外植被百分比指数 | 红色，近红外 |
| 植被：LAIFROMNDVILOG | 基于原木NDVI的叶面积指数 | 红色，近红外 |
| 植被：：LAIFROMIRFLINE | 基于线性组合的反射率叶面积指数 | 红色，近红外 |
| 植被：：LAIFRomNDVIFormo | FORMOSAT 2 TOC中的叶面积指数 | 红色，近红外 |
| 水：NDWI | 归一化差水指数(Gao 1996) | 尼尔，和平号 |
| 水：NDWI2 | 归一化差水指数(Mc Feeters 1996) | 绿色，近红外 |
| 水：MNDWI | 修正归一化差分水指数(徐氏2006) | 绿色，密尔 |
| 水：NDTI | 归一化差分浊度指数(Lacaux等人) | 绿色、红色 |
| 土壤：泥土 | 红度指数 | 绿色、红色 |
| 土壤：Ci | 颜色指数 | 绿色、红色 |
| 土壤：BI | 亮度指数 | 绿色、红色 |
| 土壤：BI2 | 亮度指数2 | 绿色、红色、近红外 |
| 构建：ISU | 构建曲面索引 | 红色，近红外 |
该应用程序可以按如下方式使用，它将生成分别包含3个波段的输出图像，其中 Vegetation:NDVI ， Vegetation:RVI 和 Vegetation:IPVI 按如下顺序排列的辐射指数：
otbcli_RadiometricIndices -in InputImage
-out OutputImage
-channels.red 3
-channels.green 2
-channels.nir 4
-list Vegetation:NDVI Vegetation:RVI
Vegetation:IPVI
或如下所示，这将产生具有 Water:NDWI2 辐射指数：
otbcli_RadiometricIndices -in InputImage
-out OutputImage
-channels.red 3
-channels.green 2
-channels.nir 4
-list Water:NDWI2
形态特征提取¶
形态特征可以通过使用基于数学形态学的图像过滤器在二值或灰度图像上突出显示。
二进制形态运算¶
这个应用程序对具有特定结构元素(球或十字)的单波段图像执行二进制形态运算(扩张、侵蚀、打开和关闭)，该特定结构元素具有沿X方向的一个半径和沿Y方向的另一个半径。注：十字形结构元素在X和Y方向上具有等于1像素的固定半径。
这个 BinaryMorphologicalOperation 应用程序具有以下输入参数：
-``-in`需要过滤的输入图片
- -``-频道``输入画面中选中的频道索引为
- 已处理(默认值为1)
- -``-structype``结构化元素类型的选择
- (球/十字)(默认值为球)
- -``(-xRadius)``球结构元素X半径
- (默认值为5像素)
- -``(-yRadius)``球结构元素Y半径
- (默认值为5像素)
- -``-filter``形态运算的选择
- (扩展/腐蚀/打开/关闭)(缺省值为扩展)
- -``(-Foreval)``前景值
- (用于扩张/腐蚀/打开/关闭形态操作)(默认值为1)
- -``(-back val)``背景值
- (用于扩张/腐蚀/打开形态操作)(默认值为0)
-``-out``输出过滤图像
该应用程序可按如下方式使用：
otbcli_BinaryMorphologicalOperation -in InputImage
-channel 1
-structype ball
-structype.ball.xradius 10
-structype.ball.yradius 5
-filter opening
-foreval 1.0
-backval 0.0
-out OutputImage
灰度形态运算¶
此应用程序对具有特定结构元素(球或十字)的灰度单波段图像执行形态操作(膨胀、侵蚀、打开和关闭)，该特定结构元素沿X具有一个半径，沿Y具有另一个半径。注：十字形结构元素在X和Y方向上具有等于1像素的固定半径。
这个 GrayScaleMorphologicalOperation 应用程序具有以下输入参数：
-``-in`需要过滤的输入图片
- -``-频道``输入画面中选中的频道索引为
- 已处理(默认值为1)
- -``-structype``结构化元素类型的选择
- (球/十字)(默认值为球)
- -``(-structype.bal.xRadius)``球结构元素X Radius
- (仅当structype==ball时)(默认值为5像素)
- -``(-structype.ball.yRadius)``球结构元素Y Radius
- (仅当structype==ball时)(默认值为5像素)
- -``-filter``形态运算的选择
- (扩展/腐蚀/打开/关闭)(缺省值为扩展)
-``-out``输出过滤图像
该应用程序可按如下方式使用：
otbcli_GrayScaleMorphologicalOperation -in InputImage
-channel 1
-structype ball
-structype.ball.xradius 10
-structype.ball.yradius 5
-filter opening
-out OutputImage
纹理特征提取¶
纹理特征可以借助基于Haralick和结构特征集(SFS)等纹理分析方法的图像过滤器来提取。
Haralick纹理特征¶
这个应用程序在输入图像的选定通道中的每个像素上计算Haralick、高级和高阶纹理特征。输出的图像是多波段的，每个波段有一个特征。
这个 HaralickTextureExtraction 应用程序具有以下输入参数：
-``-in`要计算要素的输入图像
-``-参数s.min``输入镜像最小值(默认为0)
-``-参数.max``输入画面最大值(默认为255)
- -``-参数.xrad``加工邻域的X半径
- (默认值为2像素)
- -``-参数yrad``加工邻域的Y半径
- (默认值为2像素)
- -
-参数.xoff\Delta X偏移量 - 共生计算(默认值为1像素)
- -
-参数.yoff\Delta y的偏移量 - 共生计算(默认值为1像素)
- -``-参数.nbbin``直方图每个轴的柱状图个数
- 层代(默认值为8)
- -``-out``输出包含所选纹理的多波段图像
- 功能(每个波段一个功能)
-纹理及其相关功能的可用值为：
- -``-纹理=Simple：``在本例中，8个本地Haralick纹理特征
将被处理。输出的8个图像通道是：能量、熵、相关、逆差分矩、惯性、星团阴影、星团日冕和哈拉里克相关。它们在输出图像中按此顺序提供。因此，此应用程序在具有用户定义的半径的邻域上计算以下Haralick纹理。为了提高计算速度，使用了灰度共生矩阵(GLCM)的变体--灰度共生索引表(GLCIL)。下面是关于每个纹理的计算的数学解释。这里 g(i, j) 是GLCIL中索引为i，j的元素的频率。GLCIL存储从给定偏移量获取的两个像素的频率对和邻域窗口中像素的单元索引(i，j)。 :(where each element in GLCIL is a pair of pixel index and it’s frequency, g(i, j) 是具有索引的对的频率值为i，j)。
“能源” = f_1 = \sum_{i, j}g(i, j)^2
“信息熵” = f_2 = -\sum_{i, j}g(i, j) \log_2 g(i, j) ，或0(如果 g(i, j) = 0
“Correlation” = f_3 = \sum_{i, j}\frac{(i - \mu)(j - \mu)g(i, j)}{\sigma^2}
“逆差分矩” = f_4 = \sum_{i, j}\frac{1}{1 + (i - j)^2}g(i, j)
“惯性” = f_5 = \sum_{i, j}(i - j)^2g(i, j) (有时也称为“对比”)
“簇阴影” = f_6 = \sum_{i, j}((i - \mu) + (j - \mu))^3 g(i, j)
“星系团日冕” = f_7 = \sum_{i, j}((i - \mu) + (j - \mu))^4 g(i, j)
“Haralick’s Correlation” = f_8 = \frac{\sum_{i, j}(i, j) g(i, j) -\mu_t^2}{\sigma_t^2} where \mu_t and \sigma_t are the mean and standard deviation of the row (or column, due to symmetry) sums. Above, \mu = (weighted pixel average) = \sum_{i, j}i \cdot g(i, j) = \sum_{i, j}j \cdot g(i, j) (due to matrix symmetry), and \sigma = (weighted pixel variance) = \sum_{i, j}(i - \mu)^2 \cdot g(i, j) = \sum_{i, j}(j - \mu)^2 \cdot g(i, j) (due to matrix symmetry).
- -``-纹理=高级：``本例中有10个高级纹理特征
将被处理。输出的10个图像通道是：平均值、方差、相异度、和平均值、和方差、和熵、熵差、方差差、IC1和IC2。它们在输出图像中按此顺序提供。纹理是在具有用户定义半径的滑动窗口上计算的。
为了提高计算速度，使用了灰度共生矩阵(GLCM)的变体--灰度共生索引表(GLCIL)。下面是关于每个纹理的计算的数学解释。这里 g(i, j) 是GLCIL中索引为i，j的元素的频率。GLCIL存储从给定偏移量获取的两个像素的频率对和邻域窗口中像素的单元索引(i，j)。 :(where each element in GLCIL is a pair of pixel index and it’s frequency, g(i, j) 是具有索引的对的频率值为i，j)。
“Mean” = \sum_{i, j}i g(i, j)
“平方和：方差” = f_4 = \sum_{i, j}(i - \mu)^2 g(i, j)
“不同之处” = f_5 = \sum_{i, j}(i - j) g(i, j)^2
“总和平均值” = f_6 = -\sum_{i}i g_{x+y}(i)
“总和差异” = f_7 = \sum_{i}(i - f_8)^2 g_{x+y}(i)
“和熵” = f_8 = -\sum_{i}g_{x+y}(i) log (g_{x+y}(i))
“差异方差” = f_10 = variance of g_{x-y}(i)
“差值熵” = f_11 = -\sum_{i}g_{x-y}(i) log (g_{x-y}(i))
“相关性的信息度量IC1” = f_12 = \frac{f_9 - HXY1}{H}
“相关性的信息度量IC2” = f_13 = \sqrt{1 - \exp{-2}|HXY2 - f_9|}
Above, \mu = (weighted pixel average) = \sum_{i, j}i \cdot g(i, j) = \sum_{i, j}j \cdot g(i, j) (due to matrix summetry), and
g_{x+y}(k) = \sum_{i}\sum_{j}g(i) 哪里 i+j=k 和 k = 2, 3, .., 2N_{g} 和
g_{x-y}(k) = \sum_{i}\sum_{j}g(i) where i-j=k and k = 0, 1, .., N_{g}-1
- -``-纹理=HIGER：``在本例中，11个局部高阶统计量
基于灰度游程矩阵的纹理系数将被处理。这11个输出图像通道是：短程强调、长程强调、灰度级非均匀性、游程长度非均匀性、游程百分比、低灰度级运行强调、高灰度级运行强调、短程低灰度级强调、短期高灰度级强调、长期低灰度级强调和长期高灰度级强调。它们在输出图像中按此顺序提供。因此，此应用程序使用用户定义的半径在滑动窗口上计算以下Haralick纹理：(其中 p(i, j) 是归一化游程长度矩阵的单元i，j中的元素， n_r 是运行的总次数，并且 n_p 是总像素数)：
“短期重点” = SRE = \frac{1}{n_r} \sum_{i, j}\frac{p(i, j)}{j^2}
“重在长远” = LRE = \frac{1}{n_r} \sum_{i, j}p(i, j) * j^2
“Grey-Level Nonuniformity” = GLN = \frac{1}{n_r} \sum_{i} \left( \sum_{j}{p(i, j)} \right)^2
“Run Length Nonuniformity” = RLN = \frac{1}{n_r} \sum_{j} \left( \sum_{i}{p(i, j)} \right)^2
“运行百分比” = RP = \frac{n_r}{n_p}
“低灰度级运行重点” = LGRE = \frac{1}{n_r} \sum_{i, j}\frac{p(i, j)}{i^2}
“高灰度级运行重点” = HGRE = \frac{1}{n_r} \sum_{i, j}p(i, j) * i^2
“短期低灰度化强调” = SRLGE = \frac{1}{n_r} \sum_{i, j}\frac{p(i, j)}{i^2 j^2}
“短期高灰度化强调” = SRHGE = \frac{1}{n_r} \sum_{i, j}\frac{p(i, j) * i^2}{j^2}
“长期低灰度化强调” = LRLGE = \frac{1}{n_r} \sum_{i, j}\frac{p(i, j) * j^2}{i^2}
“长期高灰度化强调” = LRHGE = \frac{1}{n_r} \sum_{i, j} p(i, j) i^2 j^2
该应用程序可按如下方式使用：
otbcli_HaralickTextureExtraction -in InputImage
-channel 1
-texture simple
-parameters.min 0
-parameters.max 255
-out OutputImage
SFS纹理提取¶
这个应用程序在输入图像的选定通道中的每个像素上计算结构特征集纹理。输出的图像是多波段的，每个波段有一个特征。输出的6个纹理特征是SFS的长度、SFS的宽度、SFS的PSI、SFS的w-均值、SFS的比率和SFS的d。它们在输出图像中按此顺序提供。
它基于线路方向估计，并在下面的出版物中介绍。请参考黄欣、张良培、李平祥等出版的《基于高分辨率多光谱影像的城市区域空间要素分类与提取》。IEEE地球科学与遥感通讯，第4卷，第2期，2007年，第260-264页。
纹理是使用其邻域为每个像素计算的。用户可以设置空间阈值，即最大线长度，光谱阈值，即线的像素与当前邻域的中心像素之间授权的最大差值。使用调整常数α和描述中心像素周围的形状轮廓的比率最大考虑数来计算 w - mean 价值。
这个 SFSTextureExtraction 应用程序具有以下输入参数：
-``-in`要计算要素的输入图像
- -``-频道``输入画面中选中的频道索引为
- 已处理(默认值为1)
-``-参数.规范``频谱门限(默认为50)
- -``-参数.spaThree``空间阈值(默认为100
- 像素)
-``-参数.nbdir``方向数(默认为20)
-``-参数.alpha``Alpha值(默认为1)
该应用程序可按如下方式使用：
otbcli_SFSTextureExtraction -in InputImage
-channel 1
-out OutputImage