础上，通过大量实验认为以下４种特征值统计量效果较好【ｌ５ｌ：熵（Ｅｎｔｒｏｐｙ）、角二除矩（ＡｎｇｕｌａｒＳｅｃｏｎｄＭｏｍｅｎｔ）、对比度（Ｃｏｎｔｒａｓｔ）、局部平稳（Ｈｏｍｏｇｅｎｅｉｔｙ）。
而在德国不来梅大学ＬａｒｓＫａｌｅｓｅｈｋｅ博士的论文中【４１也提出使用纹理特征海冰判别种类的方法，他指出对ＳＡＲ海冰图像而言，均值（Ｍｅａｎ）、熵和角二阶矩、相关最适合进行分类识别。这都为本实验选择合适的纹理特征提供了实践依据。
为了进一步验证纹理特征值选择的正确性，我们利用训练数据计算得到每种类别的纹理特征值后，以此为类别标准，分类时计算出每个像元的特征参数与类别标准两者在特征空间里的距离。比较各种类别的距离，选择能够使待取分类之间的特征空间距离最大的纹理特征值。有多种方法可计算特征空间的距离，常用的就是欧氏距离，即各分量差方和的方根值。公式如下：
■
８ｚ（ｘ，，却）＝［∑（工灯一勘）２］“。一［（取一却）Ｔ（瓢一藏）］’，２（３．１）
ｊ－ｌ
其中，ｘｋ，ｘｌ为从训练图像中计算出的两个待识别类的规范化特征矢量值。
哈尔滨工程大学的谭湘莹教授开展的ＳＡＲ图像纹理特征分类方法【ｌ６ｊ中，选取了反差、逆差距、熵、相关作为ＳＡＲ图像的分类纹理特征值，取得了较好的分类效果。在这里我们将ＤａｖｉｄＧ－Ｂａｒｂｅｒ博士（策略１）与谭湘莹教授提出的方法（策略２）采用将要测试的ＳＡＲ海冰图像对特征值间距离做一个对比。我们首先选取厚冰、薄冰（临界区）和海水的训练样本，利用灰度共生矩阵分别计算出３类翳标的纹理特征值，然后分别利用不同的纹理特征值得出特征矢量并规范化，最后根据欧氏距离公式得出距离矩阵。
图３．１根据策略１计算出的纹理特征值
圈３．２根据策略２计算出的纹理特征值
Ｆｉｇ３，２ＴｅｘｔｕｒｅｅｉｇｅｎｖａｌｕｅｓｂａｓｅｄｏｎｒｕｌｅＮｏ．２
表３．１根据策略１得到的欧氏距离
Ｔａｂ３．１ＥｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｂａｓｅｄｏｎｒｕｌｅＮｏ．１
距离薄冰厚冰海水
薄冰０３．５４８７３．７８７０
厚冰３．５４８７０１．０７１８
海水３．７８７０１．０７１８Ｏ
表３．２根据策略２得到的欧氏距离
Ｔａｂ３．２ＥｕｃｌｉｄｅａｌｌｄｉｓｔａｒｌｃｅｂａｓｅｄＯｉｌｒｕｌｅＮｏ．２
距离薄冰厚冰海水
薄冰Ｏ４．１６７０４．３４４０
厚冰４．１６７００１．１６５４
海水４．３４４１１．１６５４０
据此，本文选择了以下四个特征值作为ＳＡＲ海冰图像纹理特征参量（１）熵（Ｅｎｔｒｏｐｙ）ＥＮＴ＝－Ｚ∑Ｂ（ｆ，旁ｌｏｇＰＪ（ｉ，，）（３．２）衡量复杂度，按最大熵理论，熵越大，则Ｂ（ｆ，Ｊ）分布越均匀
ＮＮ
（２）角二阶矩（ＡｎｇｕｌａｒＳｅｃｏｎｄＭｏｍｅｎｔ）ＡＳＭ＝∑∑只（ｆ．∥∽３）