遥感影像纹理特征计算实战：ENVI与Python双平台灰度共生矩阵实现
1. 灰度共生矩阵（GLCM）基础入门
第一次接触遥感影像纹理分析时，我被各种专业术语搞得晕头转向。直到发现灰度共生矩阵这个"神器"，才真正打开了影像分析的新世界。简单来说，GLCM就像个精明的会计，专门统计影像中像素之间的"邻里关系"。
举个例子，当你在卫星影像上区分森林和草地时，两者的颜色可能非常接近。但森林的树冠会形成粗糙的纹理，而草地则呈现细腻均匀的质感。GLCM通过计算特定方向上像素对的联合概率，把这种肉眼可见的纹理差异转化为可量化的数字特征。实测下来，这种方法在农作物分类、地质构造识别等场景特别管用。
2. ENVI平台实战操作指南
2.1 数据预处理要点
在ENVI 5.6版本中处理Landsat影像时，我总结出几个关键步骤：首先用Radiometric Calibration工具进行辐射定标，接着用QUAC模块做快速大气校正。这里有个坑要注意——必须先将数据转换为ENVI标准格式，否则后续纹理分析工具会报错。
2.2 参数设置黄金法则
点击Texture Tool后，你会发现这几个核心参数：
- 窗口大小：3×3适合细节分析，7×7更适合大尺度纹理
- 步长：通常保持默认值1
- 灰度级：64级平衡精度与效率
- 方向：0°、45°、90°、135°四个方向都要计算
特别提醒：窗口设置过大会导致边缘信息模糊，我在新疆某矿区分析时就吃过这个亏。后来改用5×5窗口配合均值滤波，才得到理想的铁矿石纹理特征。
3. Python代码实现详解
3.1 核心代码模块
import numpy as np from skimage.feature import greycomatrix, greycoprops def calc_glcm_features(img, distances=[1], angles=[0], levels=64): # 灰度级压缩 img = (img * (levels-1)).astype(np.uint8) # 计算GLCM矩阵 glcm = greycomatrix(img, distances, angles, levels=levels) # 提取8种特征 features = { 'contrast': greycoprops(glcm, 'contrast'), 'dissimilarity': greycoprops(glcm, 'dissimilarity'), 'homogeneity': greycoprops(glcm, 'homogeneity'), 'energy': greycoprops(glcm, 'energy'), 'correlation': greycoprops(glcm, 'correlation'), 'ASM': greycoprops(glcm, 'ASM'), 'entropy': -np.sum(glcm * np.log(glcm + 1e-10)) } return features3.2 性能优化技巧
当处理1000×1000像素的Sentinel-2影像时，原始代码需要跑15分钟。通过这三招优化到2分钟：
- 使用
numba加速矩阵运算 - 改用
dask实现分块处理 - 对图像进行降采样预处理
4. 双平台结果对比验证
去年在粤港澳大湾区城市用地分类项目中，我同时使用ENVI和Python处理了同一景影像。发现几个有趣现象：
- 均值、方差等统计量结果完全一致
- 熵值差异在0.5%以内
- 相关性特征存在3%左右的偏差
后来查证是因为ENVI使用了Haralick原始公式，而skimage采用了改进算法。建议关键项目先用标准样区做交叉验证，这个经验帮我节省了大量返工时间。
5. 工程应用中的避坑指南
遇到过最棘手的问题是在高原地区分析时，GLCM特征突然失效。后来发现是太阳高度角导致阴影干扰，解决方法分三步：
- 先用DEM数据做地形校正
- 采用Canny边缘检测剔除阴影区
- 对剩余区域做归一化处理
另一个常见问题是盐碱地和冰雪的混淆，这时需要结合多时相数据和NDVI指数来辅助判别。我在内蒙古项目里通过叠加夏季GLCM特征和冬季纹理变化率，成功将分类精度提升了12%。