考虑这两个灰度图像：
第一张图片显示了蜿蜒的河流模式。第二张图片显示随机噪声。
我正在寻找一种统计方法，可用于确定图像是否可能显示河流模式。
河流图像有两个区域：河流 = 高价值，其他地方 = 低价值。
结果是直方图是双峰的：
因此，具有河流图案的图像应该具有高方差。
然而，上面的随机图像也是如此：
River_var = 0.0269, Random_var = 0.0310
另一方面，随机图像具有较低的空间连续性，而河流图像具有较高的空间连续性，这在实验变异函数中清楚地表明：
与方差“总结”一个数字中的直方图的方式相同，我正在寻找一种空间连续性的度量来“总结”实验变异函数。
我希望这个措施在小滞后比大滞后更难“惩罚”高半方差，所以我想出了：
如果我只从 lag = 1 加到 15 我得到：
River_svar = 0.0228, Random_svar = 0.0488
我认为河流图像应该具有高方差，但空间方差低，因此我引入了方差比：
结果是：
River_ratio = 1.1816, Random_ratio = 0.6337
我的想法是将此比率用作图像是否为河流图像的决策标准；高比率（例如 > 1）= 河流。
关于如何改进事情的任何想法？
提前感谢您的任何答案！
编辑：按照 whuber 和 Gschneider 的建议，这里是使用Felix Hebeler 的 Matlab 函数使用 15x15 反距离权重矩阵计算的两幅图像的 Morans I ：
我需要将每个图像的结果汇总为一个数字。根据维基百科：“值范围从 -1（表示完美分散）到 +1（完美相关）。零值表示随机空间模式。” 如果我总结所有像素的 Morans I 的平方，我得到：
River_sumSqM = 654.9283, Random_sumSqM = 50.0785
这里有很大的不同，所以 Morans I 似乎是空间连续性的一个很好的衡量标准:-)。
这是河流图像 20 000 次排列的该值的直方图：
显然 River_sumSqM 值 (654.9283) 不太可能，因此河流图像在空间上不是随机的。
