Considérez ces deux images en niveaux de gris:
La première image montre un modèle de rivière sinueuse. La deuxième image montre un bruit aléatoire.
Je cherche une mesure statistique que je peux utiliser pour déterminer s'il est probable qu'une image montre un modèle de rivière.
L'image de la rivière a deux zones: rivière = valeur élevée et partout ailleurs = valeur faible.
Le résultat est que l'histogramme est bimodal:
Par conséquent, une image avec un motif de rivière devrait avoir une variance élevée.
Cependant, l'image aléatoire ci-dessus fait de même:
River_var = 0.0269, Random_var = 0.0310
D'autre part, l'image aléatoire a une faible continuité spatiale, alors que l'image de la rivière a une continuité spatiale élevée, ce qui est clairement montré dans le variogramme expérimental:
De la même manière que la variance "résume" l'histogramme en un seul nombre, je recherche une mesure de continuité spatiale qui "résume" le variogramme expérimental.
Je veux que cette mesure "punisse" la semi-variance élevée aux petits retards plus durement qu'aux gros retards, j'ai donc trouvé:
Si j'additionne seulement de lag = 1 à 15, j'obtiens:
River_svar = 0.0228, Random_svar = 0.0488
Je pense qu'une image de rivière devrait avoir une variance élevée, mais une variance spatiale faible, donc j'introduis un rapport de variance:
Le résultat est:
River_ratio = 1.1816, Random_ratio = 0.6337
Mon idée est d'utiliser ce ratio comme critère de décision pour savoir si une image est une image de rivière ou non; rapport élevé (par exemple> 1) = rivière.
Des idées sur la façon dont je peux améliorer les choses?
Merci d'avance pour n'importe quelle réponse!
EDIT: Suivant les conseils de whuber et Gschneider, voici le Morans I des deux images calculées avec une matrice de poids à distance inverse de 15x15 en utilisant la fonction Matlab de Felix Hebeler :
J'ai besoin de résumer les résultats en un seul numéro pour chaque image. Selon wikipedia: "Les valeurs vont de -1 (indiquant une dispersion parfaite) à +1 (corrélation parfaite). Une valeur nulle indique un modèle spatial aléatoire." Si je résume le carré du Morans I pour tous les pixels, j'obtiens:
River_sumSqM = 654.9283, Random_sumSqM = 50.0785
Il y a une énorme différence ici, donc Morans semble être une très bonne mesure de continuité spatiale :-).
Et voici un histogramme de cette valeur pour 20 000 permutations de l'image de la rivière:
De toute évidence, la valeur River_sumSqM (654.9283) est peu probable et l'image de la rivière n'est donc pas spatialement aléatoire.