灰度共生矩阵的定义
灰度共生矩阵14个特征计算公式
灰度共生矩阵14个特征计算公式一、前言在图像处理和分析领域，灰度共生矩阵是一种重要的特征提取方法。
它能够描述图像中像素之间的灰度分布关系，对于图像的纹理特征分析有着重要的作用。
在本文中，我们将深入探讨灰度共生矩阵的14个特征计算公式，帮助读者更好地理解和应用这一方法。
二、概述灰度共生矩阵灰度共生矩阵（GLCM，Gray Level Co-occurrence Matrix）是由一对像素值的相对空间关系组成的矩阵，它反映了图像中不同灰度级在特定方向上的频率分布。
通过对灰度共生矩阵的分析，可以提取出图像的纹理特征，以及描述图像中不同灰度级之间的关系。
在计算灰度共生矩阵特征时，通常需要使用一些公式来进行计算。
接下来，我们将逐个介绍这14个特征的计算公式。
三、14个特征计算公式1. 能量（Energy）能量是灰度共生矩阵中元素的平方和，用来描述图像的纹理粗细程度。
其计算公式如下：\[ E = \sum_{i=1}^{N}\sum_{j=1}^{N} P(i, j)^2 \]2. 对比度（Contrast）对比度衡量了灰度共生矩阵中不同灰度级对比程度的平均值，其计算公式如下：\[ C = \sum_{i=1}^{N}\sum_{j=1}^{N} (i-j)^2 P(i, j) \]3. 相关性（Correlation）相关性度量了灰度共生矩阵中不同灰度级之间的相关性，其计算公式如下：\[ \mu_x = \sum_{i=1}^{N}\sum_{j=1}^{N} i P(i, j) \]\[ \sigma_x^2 = \sum_{i=1}^{N}\sum_{j=1}^{N} (i - \mu_x)^2 P(i, j) \]\[ \mu_y = \sum_{i=1}^{N}\sum_{j=1}^{N} j P(i, j) \]\[ \sigma_y^2 = \sum_{i=1}^{N}\sum_{j=1}^{N} (j - \mu_y)^2 P(i, j) \]\[ \rho = \frac{\sum_{i=1}^{N}\sum_{j=1}^{N} (i - \mu_x)(j -\mu_y)P(i, j)}{\sigma_x\sigma_y} \]4. 逆差矩（Inverse Difference Moment）逆差矩描述了灰度共生矩阵中不同灰度级的逆差程度，其计算公式如\[ IDM = \sum_{i=1}^{N}\sum_{j=1}^{N} \frac{1}{1+(i-j)^2}P(i, j) \]5. 熵（Entropy）熵用来描述图像的纹理复杂程度，其计算公式如下：\[ EN = -\sum_{i=1}^{N}\sum_{j=1}^{N}P(i, j) \log{P(i,j)} \]6. 惯性（Inertia）惯性描述了灰度共生矩阵中不同灰度级分布的惯性程度，其计算公式如下：\[ I = \sum_{i=1}^{N}\sum_{j=1}^{N} (i-\mu)^2P(i, j) \]7. 聚集度（Cluster Shade）聚集度描述了灰度共生矩阵中灰度级分布的聚集程度，其计算公式如下：\[ CS = \sum_{i=1}^{N}\sum_{j=1}^{N} (i+j-\mu_x-\mu_y)^3 P(i, j) \]8. 聚集度（Cluster Prominence）聚集度描述了灰度共生矩阵中灰度级分布的聚集程度，其计算公式如下：\[ CP = \sum_{i=1}^{N}\sum_{j=1}^{N} (i+j-\mu_x-\mu_y)^4 P(i,9. 最大概率（Maximum Probability）最大概率描述了灰度共生矩阵中灰度级对的概率最大值，其计算公式如下：\[ MP = \max{(P(i, j))} \]10. 反转矩（Inverse Variance）反转矩描述了灰度共生矩阵中不同灰度级的反转程度，其计算公式如下：\[ IV = \sum_{i=1}^{N}\sum_{j=1}^{N} \frac{1}{(i-j)^2}P(i, j) \]11. 自相关度（Autocorrelation）自相关度描述了图像灰度级的自相关程度，其计算公式如下：\[ AC = \sum_{i=1}^{N}\sum_{j=1}^{N} i j P(i, j) \]12. 极大概率（Maximum Probability）极大概率描述了灰度共生矩阵中灰度级的概率最大值，其计算公式如下：\[ MP = \max{(P(i, j))} \]13. 对比度（Contrast）对比度描述了灰度共生矩阵中不同灰度级之间的对比程度，其计算公式如下：\[ C = \sum_{i=1}^{N}\sum_{j=1}^{N} (i-j)^2P(i, j) \]14. 最小概率（Minimum Probability）最小概率描述了灰度共生矩阵中灰度级的概率最小值，其计算公式如下：\[ MP = \min{(P(i, j))} \]四、总结和回顾通过对灰度共生矩阵14个特征计算公式的介绍，我们对灰度共生矩阵的特征提取方法有了更深入的理解。
灰度共生矩阵
灰度共生矩阵(GLCM)共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。
它是定义一组纹理特征的基础。
一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
设f(x,y)为一幅二维数字图象，其大小为M× N ,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为P(i,j)=# {(x1,y1),(x2,y2) ∈M×N ∣ f(x1,y1)=i,f(x2,y2)=j }其中#(x)表示集合X中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,。
)纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(ΔχΔy的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。
若将图像的灰度级定为N级，那么共生矩阵为NXN矩阵，可表示为M(∆X' Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(ΔχΔy的像素对出现的次数。
对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。
因为对于粗纹理，像素对趋于具有相同的灰度。
而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。
为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种：(1)能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。
如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。
当共生矩阵中元素集中分布时，此时ASM值大。
ASM值大表明一种较均一和规则变化的纹理模式。
灰度协方差矩阵与灰度共生矩阵
灰度协方差矩阵与灰度共生矩阵
首先，我们来了解一下灰度协方差矩阵。
灰度协方差矩阵是用
来描述图像中像素灰度值之间的相关性的。
它通过计算图像中像素
之间的协方差来描述它们之间的关系。
通过灰度协方差矩阵，我们
可以得到图像中不同区域的灰度分布特征，从而可以用来进行图像
的纹理分析和识别。
而灰度共生矩阵是描述图像中像素灰度值相互关系的统计方法。
它通过统计图像中相邻像素对出现的频率和灰度级别之间的关系来
描述图像的纹理特征。
通过灰度共生矩阵，我们可以得到图像中不
同方向和距离下像素灰度值的分布特征，从而可以用来进行图像的
纹理分析和识别。
这两种方法在图像处理中有着广泛的应用，比如在医学影像分
析中用来进行肿瘤检测和诊断、在地质勘探中用来进行岩石纹理分析、在农业领域用来进行作物病害的检测等等。
总之，灰度协方差矩阵和灰度共生矩阵是图像处理中常用的特
征提取方法，它们可以用来描述图像的纹理特征，对于图像的分析
和识别具有重要的意义。
希望本文可以帮助读者更好地理解这两种方法的原理和应用。
灰度共生矩阵
灰度共生矩阵概念：像素灰度在空间位置上的反复出现形成图像的纹理，GLCM是描述具有某种空间位置关系两个像素灰度的联合分布含义：就是两个像素灰度的联合直方图，是一种二阶统计量就是两个像素点的关系。
像素关系可以根据不同的纹理特性进行选择，也就是的大小可以自由选像素的空间位置关系：取。
对于较细的纹理分析可以取像素间距为1，是水平扫描；是垂直扫描；是45度扫描；是135度扫描（原博文有错误）。
一旦位置空间确定，就可以生成灰度共生矩阵。
矩阵的物理意义：用表示灰度共生矩阵，它是一个的矩阵（L为灰度级，就是一幅图中包含的不同灰度或者颜色的个数），是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率（归一化）例如：下图是某纹理像素的放大，和对应的像素灰度矩阵此图像只有三种灰度，故灰度级为3，灰度共生矩阵是一个3*3的矩阵归一化形式为改变位置空间的定义，灰度共生矩阵相应地改变：归一化形式为：矩阵的特征量：从灰度共生矩阵上可以简单的看出，如果对角附近的元素有较大的值，说明图像的像素具有相似的像素值，如果偏离对角线的元素会有比较大的值，说明像素灰度在局部有较大变化。
为了得到更多的纹理特征，我们还需要在进行计算：对比度）（或反差）（contrast）：纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。
灰度差即对比度大的象素对越多，这个值越大。
灰度公生矩阵中远离对角线的元素值越大，con越大。
所以con越大图像越清晰相关度（inverse different moment）：度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。
当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。
能量：是灰度共生矩阵元素值的平方和，所以也称之为能量，反映了图像灰度分布均匀程度和纹理粗细度。
ASM值大表明一种较均一和规则变化的纹理模式。
熵（entropy）：熵在物理中的含义就是物体的规则度，越有序熵越小，越无序熵越大。
基于灰度共生矩阵的纹理特征提取_概述及解释说明
基于灰度共生矩阵的纹理特征提取概述及解释说明1. 引言1.1 概述纹理特征是一种用于描述图像或物体表面细节的重要特征。
在许多领域中，如计算机视觉、图像处理和模式识别等，纹理特征的提取对于实现自动分析和识别具有重要作用。
然而，由于图像数据量庞大且复杂多样，如何从中提取出有效的纹理特征一直是一个具有挑战性的问题。
1.2 文章结构本文将着重介绍一种基于灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）的纹理特征提取方法。
为了更好地说明该方法的原理和优势，文章将依次介绍灰度共生矩阵概念、纹理特征提取方法、应用案例与实验结果分析，并最后对整个研究工作进行总结和展望。
1.3 目的本文旨在通过对基于灰度共生矩阵的纹理特征提取方法进行概述及解释说明，帮助读者深入了解该方法的原理和应用领域。
同时，通过应用案例与实验结果分析部分的介绍，使读者更好地理解该方法在模式识别中的应用价值。
最后，本文将对研究工作进行总结和展望，为未来的应用和发展提供参考。
2. 灰度共生矩阵概念2.1 灰度共生矩阵定义灰度共生矩阵（Gray-Level Co-occurrence Matrix，简称GLCM）是一种常用的纹理分析方法，用于描述图像中像素间的灰度值关系。
其基本思想是统计图像中不同位置像素对之间的灰度值相关特征，从而表征图像纹理的统计信息。
2.2 灰度共生矩阵计算方法灰度共生矩阵的计算主要包括以下步骤：首先，选择一个特定的灰度距离和方向，根据距离和方向确定相邻像素对；然后，统计这些相邻像素对在指定灰度级别上出现次数，并构建灰度级别之间的共生矩阵；最后，根据所得到的共生矩阵可以计算出一系列反映图像纹理特征的统计量。
2.3 灰度共生矩阵特性分析通过分析灰度共生矩阵可以得到多项有关图像纹理特征的统计参数。
常见的参数包括：(1) 对比度（Contrast）：反映了不同灰度级别对之间强度变化的对比程度；(2) 同质性（Homogeneity）：反映了不同灰度级别对之间相邻像素对灰度值接近程度的均匀性；(3) 能量（Energy）：反映了图像中不同灰度级别出现的频率或概率，即图像的复杂程度；(4) 相关性（Correlation）：反映了图像中不同灰度级别对之间线性相关关系的强弱；(5) 熵（Entropy）：反映了图像中不确定性和复杂性，越大表示纹理越复杂。
Gray-level Co-occurrence Matrix(灰度共生矩阵)
Gray-level Co-occurrence Matrix(灰度共生矩阵)共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。
它是定义一组纹理特征的基础。
一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。
纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的［7］，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。
若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。
对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。
因为对于粗纹理，像素对趋于具有相同的灰度。
而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。
为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种：（1）能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。
如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。
灰度共生矩阵位置算子
灰度共生矩阵位置算子灰度共生矩阵位置算子是一种用于图像分析和图像处理的方法，它可以提取图像中不同位置的纹理特征。
本文将从灰度共生矩阵的定义、计算方法和应用三个方面进行介绍。
一、灰度共生矩阵的定义灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）是用来描述图像中像素灰度级别之间的相对关系的矩阵。
它反映了不同位置像素之间的空间关系，可以用于提取纹理特征。
二、灰度共生矩阵的计算方法灰度共生矩阵的计算过程如下：1. 首先，将原始图像转换为灰度图像。
2. 然后，选择一个固定的距离和方向，将图像分割为若干个小块。
3. 对于每个小块，统计每对像素之间的灰度对出现的次数，得到灰度共生矩阵。
矩阵的每个元素表示在给定的距离和方向上，两个像素灰度级别之间的关系。
三、灰度共生矩阵的应用1. 纹理特征提取：通过计算灰度共生矩阵，可以得到一系列统计特征，如能量、对比度、相关性和熵等，用于描述图像的纹理特征。
这些特征可以应用于图像分类、目标检测等领域。
2. 图像分割：根据灰度共生矩阵，可以将图像分割为不同的区域，每个区域具有不同的纹理特征。
这对于图像分析和目标提取非常有用。
3. 图像增强：通过调整灰度共生矩阵的参数，可以改变图像的纹理特征，从而实现图像的增强效果。
比如，可以增强图像的细节或者减少图像的噪声。
灰度共生矩阵位置算子是一种用于图像分析和图像处理的方法，它通过计算图像中不同位置的灰度共生矩阵，可以提取图像的纹理特征。
这些特征可以应用于图像分类、目标检测、图像分割和图像增强等领域。
灰度共生矩阵的计算方法相对简单，但需要注意选择合适的距离和方向，以及合适的统计特征。
在使用灰度共生矩阵进行图像分析和处理时，需要根据具体应用场景进行调整和优化，以获得更好的效果。
灰度共生矩阵 homogeneity阈值-概述说明以及解释
灰度共生矩阵homogeneity阈值-概述说明以及解释1.引言概述部分的内容可以如下编写：1.1 概述灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）是一种用于描述图像纹理特征的统计工具。
它通过统计图像中灰度级相邻像素对出现的频率和位置关系，可以获取到大量关于图像纹理、形状和结构等方面的信息。
由于其简单有效的原理和广泛的应用领域，GLCM在图像处理、模式识别、计算机视觉以及医学图像分析等领域得到了广泛的研究和应用。
而homogeneity（均匀度）则是灰度共生矩阵中的一种纹理特征度量指标，用于描述图像纹理的统一性和规律性。
它通过计算灰度共生矩阵中不同灰度级像素对之间的差异程度，来刻画图像的均匀程度。
在实际应用中，homogeneity常常用于图像分割、图像分类、目标检测等任务中，能够有效提取和表达图像的纹理信息。
本文旨在探讨灰度共生矩阵homogeneity的阈值选择与调整方法。
阈值的选取是影响homogeneity计算结果的重要因素之一，不同的阈值选择策略可能会导致不同的分割或分类效果。
因此，在本文中，我们将介绍不同的阈值选择方法，并通过实验证明其对homogeneity计算结果的影响。
同时，我们还将讨论如何根据具体应用场景自适应地调整阈值，以获得更好的结果。
在本文的后续部分中，我们将通过实验验证和分析，对灰度共生矩阵和homogeneity的定义及应用进行详细介绍。
同时，我们将重点探讨阈值选择与调整的方法，希望通过本文的研究，能够为相关领域的研究者和从业者提供有益的参考和指导。
（注：以上为示例内容，具体概述部分的内容应根据具体文章的研究内容和目的进行编写。
）文章结构部分的内容可以参考以下示例："1.2 文章结构本文分为以下三个部分进行阐述：第一部分为引言部分。
首先概述了整篇文章的内容以及主题的背景和意义，为读者提供了一个整体的了解。
接着介绍了文章的结构和组织，并明确了本文的目的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
E5L5
R5R5
E5S5
L5S5
它们分别可以滤出水平边缘、高频点、V形状和垂直边缘。
Laws纹理能量测量法的特点
Laws将Brodatz的8种纹理图像拼在一起， 对该图像作纹理能量测量，将每个像元指定 为八个可能类中的一个，正确率达87％。
一.影像纹理的直方图分析法
纹理区域的灰度直方图作为纹理特征，为了研究灰 度直方图的相似性，可以比较累积灰度直方图分布， 计算灰度级的最大偏差或总偏差。如果限定对象，则 采用这样简单的方法也能够识别纹理。但是灰度直方 图不能得到纹理的二维灰度变化，即使作为一般性的 纹理识别法，其能力是很低的。例如下图两种纹理具 有相同的直方图，只靠直方图就不能区别这两种纹理。
灰度共生矩阵反映了图像灰度关于方向、 相邻间隔、变化幅度的综合信息,它可作为分 析图像基元和排列结构的信息。作为纹理分 析的特征量，往往不是直接应用计算的灰度 共生矩阵，而是在灰度共生矩阵的基础上再 提取纹理特征量，称为二次统计量。一幅图 像的灰度级数一般是256，这样计算的灰度共 生矩阵太大。为了解决这一问题，在求灰度 共生矩阵之前，常压缩为16级。
L7=[1 6 15 20 15 6 1] E7=[-1 –4 –5 0 5 4 1] S7=[-1 -2 1 4 1 –2 –1] W7=[-1 0 3 0 –3 0 1] R7=[1 -2 –1 4 –1 –2 1] O7=[-1 6 –15 20 –15 6 –1] 振荡Oscillation）
概率P(i,j,δ,θ)的数学式表示为 :
P( i, j,δ,θ) ＝{ [(x,y), (x+Δx，y+Δy)] | f(x,y)=i, f(x+Δx,y+Δy)=j； x, y=0,1 ,…,N-1}
根据上述定义，所构成的灰度共生矩阵的第 i 行、第 j 列元素，表示图像上所有在θ方向、相隔为δ，一个为灰度i值, 另一个为灰度j值的像素点对出现的频率。这里θ取值一般为0 度、45度、90度和135度。很明显，若Δx＝1，Δy＝0，则θ ＝00；
可见这种纹理分析方法简单、有效。但 所提供的模板较少，尚未更多地给出其变化 性质，因此，应用受到一定的限制。
三.灰度共生矩阵分析法
灰度共生矩阵的定义 灰度共生矩阵特征的提取
灰度共生矩阵的定义
在三维空间中,相隔某一距离的两个像 素，它们具有相同的灰度级，或者具有不 同的灰度级，若能找出这样两个像素的联 合分布的统计形式，对于图像的纹理分析 将是很有意义的。灰度共生矩阵就是从图 像 (x,y)灰度为i的像素出发，统计与距离为 δ=(Δx2+Δy2 )1/2、灰度为j的像素同时出现的 概率P。
第九章 纹理分析
提到纹理，人们自然会立刻想到木制家俱上的木 纹、花布上的花纹等。木纹为天然纹理，花纹为人工 纹理，它们反映了物体表面颜色和灰度的某种变化。 这些变化与物体本身的属性相关。
有些图像在局部区域内呈现不规则性，而在整体 上表现出某种规律性。习惯上，把这种局部不规则 而宏观有规律的特性称之为纹理；以纹理特性为主 导的图像，常称为纹理图一种区域特 性，在图像的一定区域上才能反映或测量出来。
为了定量描述纹理,多年来人们建立 了许多纹理算法以测量纹理特性.这些方 法大体可以分为两大类：统计分析法和结 构分析法。前者从图像有关属性的统计分 析出发；后者则着力找出纹理基元，然后 从结构组成上探索纹理的规律。也有直接 去探求纹理构成的结构规律的。
本章将主要论述纹理特征提取与分析 的几种方法。
Δx＝1，Δy＝-1，则θ＝ 450 ； Δx＝0，Δy＝-1，则θ= 900 ； Δx=-1，Δy=-1，则θ= 1350 。 δ的取值与图像有关，一般根据试验确定。
像素组合统计表 像素组合方式
下图(a)所示的图像，取相邻间隔δ=1，各方向 的灰度共生矩阵如下图(b)所示。
(a)
(b)
对称性
灰度共生矩阵特征的提取
1×3的矢量集是构成更大矢量的基础.每一 个1×5的矢量可以由两个1×3矢量的卷积产生。 1×7的矢量可以由1×3与1×5矢量卷积产生。 垂直矢量和水平矢量可生成二维滤波模板。由 滤波模板与图像卷积可以检测不同的纹理能量 信息。所以，Laws 一般选用12—15个5×5的 模板。
以1×5矢量为基础，卷积同样维数的矢量，可获得25 个5×5模板。其中最有用的是5×5的零和模板，即
L3=[1 2 1] 灰度（Level） E3=[-1 0 1] 边缘（Edge） S3=[-1 2 -1] 点（Spot）
L5=[ 1 4 6 4 1] E5=[-1 –2 0 2 1] S5=[-1 0 2 0 –1] W5=[-1 2 0 –2 1] 波（Wave） R5=[1 –4 6 –4 1] 涟漪(Ripple）
另一个为宏窗口，为15×15或32×32，用来在更大 的窗口上求属性的一阶统计量（常为均值和标准偏 差），他称之为能量变换。
整个纹理分析过程为:
f(x,y)->微窗口滤波->F(x,y)->能量转换->E(x,y)->分类
Laws 深入研究了滤波模板的选定。首先定义了 一维滤波模板，然后通过卷积形成系列一维、二维滤 波模板，用于检测和度量纹理的结构信息。 他选定 的三组一维滤波模板是：
基于灰度共生矩阵的特征
Haralick等人由灰度共生矩阵提取了14种特征。 最常用的5个特征是： 1）角二阶矩（能量） 2) 对比度（惯性矩） 3）相关 4）熵 5）逆差矩
若希望提取具有旋转不变性的特征，简单的方 法是对θ取0度、45度、90度和135度的同一特 征求平均值和均方差就可得到。
二. Laws纹理能量测量法
Laws的纹理能量测量法是一种典型的一阶分析方法， 在纹理分析领域中有一定影响。
Laws 纹 理 测 量 的 基 本 思 想 是 设 置 两 个 窗 口 ： 一个是微窗口，可为3×3、5×5或7×7，常取5×5用 来测量以像元为中心的小区域的灰度的不规则性，以 形成属性，称为微窗口滤波；