Rozważ te dwa obrazy w skali szarości:
Pierwsze zdjęcie pokazuje meandrujący wzór rzeki. Drugi obraz pokazuje losowy szum.
Szukam miary statystycznej, której mogę użyć do ustalenia, czy prawdopodobne jest, że obraz pokazuje wzór rzeki.
Obraz rzeki ma dwa obszary: rzeka = wysoka wartość i wszędzie indziej = niska wartość.
W rezultacie histogram jest bimodalny:
Dlatego obraz o wzorze rzeki powinien mieć dużą wariancję.
Jednak powyższy losowy obraz również:
River_var = 0.0269, Random_var = 0.0310
Z drugiej strony losowy obraz ma niską ciągłość przestrzenną, podczas gdy obraz rzeki ma wysoką ciągłość przestrzenną, co wyraźnie pokazano na wariogramie eksperymentalnym:
W ten sam sposób, w jaki wariancja „podsumowuje” histogram w jednej liczbie, szukam miary ciągłości przestrzennej, która „podsumowuje” eksperymentalny wariogram.
Chcę, aby ten środek „karał” wysoką półwariancję przy małych opóźnieniach mocniej niż przy dużych opóźnieniach, dlatego opracowałem:
Jeśli dodam tylko od lag = 1 do 15, otrzymam:
River_svar = 0.0228, Random_svar = 0.0488
Myślę, że obraz rzeki powinien mieć dużą wariancję, ale niską wariancję przestrzenną, dlatego wprowadzam współczynnik wariancji:
Wynik to:
River_ratio = 1.1816, Random_ratio = 0.6337
Moim pomysłem jest wykorzystanie tego współczynnika jako kryterium decyzyjnego dla tego, czy obraz jest obrazem rzeki, czy nie; wysoki stosunek (np.> 1) = rzeka.
Jakieś pomysły na to, jak mogę coś ulepszyć?
Z góry dziękuję za wszelkie odpowiedzi!
EDYCJA: Zgodnie z radą Whuber i Gschneider tutaj są Morans I z dwóch obrazów obliczonych za pomocą macierzy odwrotnej masy 15x15 przy użyciu funkcji Matlaba Felixa Hebelera :
Muszę podsumować wyniki w jednym numerze dla każdego obrazu. Według wikipedii: „Wartości mieszczą się w zakresie od -1 (wskazując idealne rozproszenie) do +1 (idealna korelacja). Wartość zero wskazuje losowy wzór przestrzenny.” Jeśli zsumuję kwadrat Moransa I dla wszystkich pikseli, otrzymam:
River_sumSqM = 654.9283, Random_sumSqM = 50.0785
Jest tutaj ogromna różnica, więc Morans wydaje mi się bardzo dobrą miarą ciągłości przestrzennej :-).
A oto histogram tej wartości dla 20 000 permutacji obrazu rzeki:
Oczywiście wartość River_sumSqM (654,9283) jest mało prawdopodobna, dlatego obraz rzeki nie jest przestrzennie losowy.