ลองพิจารณาภาพระดับสีเทาทั้งสองนี้:
ภาพแรกแสดงรูปแบบแม่น้ำที่คดเคี้ยว ภาพที่สองแสดงสัญญาณรบกวนแบบสุ่ม
ฉันกำลังมองหาการวัดทางสถิติที่ฉันสามารถใช้เพื่อตรวจสอบว่าเป็นไปได้หรือไม่ที่ภาพแสดงรูปแบบของแม่น้ำ
ภาพแม่น้ำมีสองพื้นที่: แม่น้ำ = ค่าสูงและอื่น ๆ = ค่าต่ำ
ผลลัพธ์คือฮิสโตแกรมนั้นมีค่า bimodal:
ดังนั้นรูปภาพที่มีลวดลายของแม่น้ำควรมีความแปรปรวนสูง
อย่างไรก็ตามภาพสุ่มด้านบน:
River_var = 0.0269, Random_var = 0.0310
ในทางตรงกันข้ามภาพสุ่มมีความต่อเนื่องของพื้นที่ต่ำในขณะที่ภาพแม่น้ำมีความต่อเนื่องของพื้นที่สูงซึ่งแสดงให้เห็นอย่างชัดเจนในรูปแบบการทดลองที่หลากหลาย:
ในทำนองเดียวกันความแปรปรวน "สรุป" ฮิสโตแกรมในตัวเลขหนึ่งฉันกำลังมองหาตัวชี้วัดเชิงพื้นที่ที่ "สรุป" ตัวแปรทดลอง
ฉันต้องการให้มาตรการนี้ "ลงโทษ" ความผันแปรสูงที่ความล่าช้าเล็ก ๆ หนักกว่าความล่าช้าใหญ่ดังนั้นฉันจึงได้คิด:
ถ้าฉันเพิ่มจาก lag = 1 ถึง 15 ฉันจะได้รับ:
River_svar = 0.0228, Random_svar = 0.0488
ฉันคิดว่ารูปแม่น้ำควรมีความแปรปรวนสูง แต่ความแปรปรวนเชิงพื้นที่ต่ำดังนั้นฉันจึงแนะนำอัตราส่วนความแปรปรวน:
ผลลัพธ์คือ:
River_ratio = 1.1816, Random_ratio = 0.6337
ความคิดของฉันคือการใช้อัตราส่วนนี้เป็นเกณฑ์ในการตัดสินใจว่าภาพนั้นเป็นภาพแม่น้ำหรือไม่ อัตราส่วนสูง (เช่น> 1) = แม่น้ำ
ความคิดใด ๆ เกี่ยวกับวิธีที่ฉันสามารถปรับปรุงสิ่งต่าง ๆ ?
ขอบคุณล่วงหน้าสำหรับคำตอบ!
แก้ไข: ทำตามคำแนะนำของ whuber และ Gschneider นี่คือ Morans I ของสองภาพที่คำนวณด้วยเมทริกซ์น้ำหนักระยะทางผกผัน 15x15 โดยใช้ฟังก์ชัน Matlab ของ Felix Hebeler :
ฉันต้องสรุปผลลัพธ์เป็นตัวเลขหนึ่งตัวสำหรับแต่ละภาพ ตามวิกิพีเดีย: "ค่าอยู่ในช่วงตั้งแต่ −1 (แสดงการกระจายที่สมบูรณ์แบบ) ถึง +1 (ค่าสหสัมพันธ์แบบสมบูรณ์) ค่าศูนย์แสดงถึงรูปแบบเชิงพื้นที่แบบสุ่ม" หากฉันรวมสี่เหลี่ยมจัตุรัสของ Morans I สำหรับพิกเซลทั้งหมดที่ได้รับ:
River_sumSqM = 654.9283, Random_sumSqM = 50.0785
มีความแตกต่างอย่างมากที่นี่ดังนั้น Morans ฉันดูเหมือนจะเป็นตัวชี้วัดที่ดีมากของความต่อเนื่องเชิงพื้นที่ :-)
และนี่คือฮิสโตแกรมของค่านี้สำหรับการเปลี่ยนรูปแม่น้ำ 20,000 รูป:
เห็นได้ชัดว่าค่า River_sumSqM (654.9283) ไม่น่าเป็นไปได้และภาพแม่น้ำจึงไม่สุ่มเชิงพื้นที่