图像的灰度共生矩阵
灰度共生矩阵
灰度共⽣矩阵⼀、基本理论1、背景20世纪70年代，R.Haralick等⼈提出了⽤灰度共⽣矩阵（Gray-level Co-occurrence Matrix，GLCM）来描述纹理特征。
2、概念灰度共⽣矩阵(GLDM)的统计⽅法是20世纪70年代初由R.Haralick等⼈提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有⼴泛性的纹理分析⽅法。
[^1]灰度共⽣矩阵是像素距离和⾓度的矩阵函数，它通过计算图像中⼀定距离和⼀定⽅向的两点灰度之间的相关性，来反映图像在⽅向、间隔、变化幅度以及快慢上的综合信息。
3、含义灰度共⽣矩阵实质上是⼀幅图像中两个像素灰度级的联合直⽅图，是⼀种⼆阶统计量。
普通的灰度直⽅图是对图像上单个像素具有某个灰度进⾏统计的结果，⽽灰度共⽣矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进⾏统计得到的。
取图像(N×N)中任意⼀点（x，y）及偏离它的另⼀点（x+a，y+b），设该点对的灰度值为（g1，g2）。
令点（x，y）在整个图像上移动，则会得到各种（g1，g2）值，设该灰度图像的灰度值级数为 k，则（g1，g2）的组合共有 k² 种。
对于整个图像矩阵，统计出每⼀种（g1，g2）值出现的次数，然后排列成⼀个⽅阵，再⽤（g1，g2）出现的总次数将它们归⼀化为出现的概率P（g1，g2），这样的⽅阵称为灰度共⽣矩阵。
[^2]4、例证下⾯以图⽰解释如何灰度共⽣矩阵的⽣成⽅法，下例中以GLCM表中的（1，1）点为例，GLCM（1，1）即为在左边的整个图像灰度矩阵I中寻找“两灰度值均为1且两像素点⽔平相邻的像素点对”的数量，例中GLCM(1,1)=1，即只有⼀对⽔平相邻的像素点对满⾜两灰度值均为1。
同理可得GLCM(1,2)=2。
GLCM表其实是所有像素点可能的排列⽅式以及每⼀种排列⽅式存在于该幅图像中的数量。
也就是，在图像矩阵I中，像素灰度值为i和像素灰度值为j的两个像素点组成的点对(i,j)的数量，就是GLCM(i,j)的值。
共生灰度矩阵
共生灰度矩阵
灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）是一种用于纹理分析的统计方法，它描述了图像中灰度级空间依赖性的矩阵。
这种矩阵反映了图像灰度关于方向、相邻间隔和变化幅度的综合信息，是分析图像的局部模式和它们排列规则的基础。
在灰度共生矩阵中，每个元素表示在特定方向和距离下，两个像素点具有特定灰度级别的联合出现的频率。
例如，如果一个元素的值很大，这意味着在这个特定的方向和距离下，这两个灰度级别经常一起出现。
此外，灰度共生矩阵中的元素还可以通过一些公式计算出一些纹理特征值，如对比度、能量、熵等。
这些特征值可以提供关于图像纹理的更多信息，例如图像的粗糙度、对比度、方向性等。
灰度共生矩阵在图像处理和计算机视觉领域有着广泛的应用，例如用于图像分类、目标检测、图像分割等任务。
它可以帮助我们提取图像的纹理信息，从而更好地理解图像的内容和结构。
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。
haralick特征-灰度共生矩阵
haralick特征-灰度共生矩阵下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!深入理解Haralick特征与灰度共生矩阵在图像处理和计算机视觉领域，Haralick特征和灰度共生矩阵（GLCM）是两种重要的概念，它们在纹理分析和图像描述中发挥着关键作用。
基于灰度共生矩阵（GLCM）的图像纹理分析与提取
基于灰度共生矩阵（GLCM）的图像纹理分析与提取重磅干货，第一时间送达灰度共生矩阵灰度共生矩阵(Gray Level CO-Occurrence Matrix-GLCM)是图像特征分析与提取的重要方法之一，在纹理分析、特征分类、图像质量评价灯方面都有很重要的应用，其基本原理图示如下：左侧是一个图像，可以看出最小的灰度级别是1，最大的灰度级别是8，共有8个灰度级别。
右侧对应的灰度共生矩阵，左上角第一行与第一列的坐标(1, 1)包含值1，原因在于水平方向上，相距一个像素值，当前像素跟水平右侧相邻像素只有一个是1、1相邻的像素值(灰度级别)对；右侧共生矩阵的原始(1, 2) = 2 说明在像素矩阵中有两个像素值1，2相邻的像素点对、以此类推得到完整的右侧灰度共生矩阵。
根据当前像素跟相邻像素位置不同，可以计算得到不同的共生矩阵，同时根据像素之间的距离不同会输出不同灰度共生矩阵。
总结来说，有如下四种不同角度的灰度共生矩阵：•0度水平方向GLCM•45度方向GLCM•90度垂直方向GLCM•135度方向GLCM根据相邻像素点之间距离参数D不同可以得到不同距离的GLCM。
此外对正常的灰度图像来说，最小灰度值为0，最大的灰度值为255，共计256个灰度级别，所以GLCM的大小为256x256，但是我们可以对灰度级别进行降维操作，比如可以每8个灰度值表示一个level这样，这样原来256x256大小的共生矩阵就可以改成256/8 * 256 /8 = 32x32的共生矩阵。
所以最终影响灰度共生矩阵生成有三个关键参数：•角度 (支持0、45、90、135)•距离（大于等于1个像素单位）•灰度级别(最大GLCM=256 x 56)GLCM实现纹理特征计算灰度共生矩阵支持如下纹理特征计算，它们是：•能量•熵值•对比度•相关性•逆分差这些纹理特征计算公式如下：上述5个是常见的GLCM的纹理特征，GLCM总计由14个特征值输出，这里就不再赘述了！感兴趣的可以自己搜索关键字GLCM。
灰度共生矩阵法
灰度共生矩阵法灰度共生矩阵法是一种常用的图像纹理特征分析方法，它通过统计图像中不同灰度值之间出现的空间关系来描述图像的纹理特征。
本文将从以下几个方面详细介绍灰度共生矩阵法。
一、灰度共生矩阵法的基本原理灰度共生矩阵法是一种基于灰度级别的统计方法，它通过计算同一图像区域内不同位置处两个像素之间的灰度值关系，得出各种方向上不同距离处两个像素之间某些特定关系的概率分布。
具体而言，对于给定的图像I(x,y)，以及距离d和角度θ，可以定义一个二元组(x,y)和另一个二元组(x+d*cosθ,y+d*sinθ)之间的关系，通常称为共生对。
然后可以通过统计所有这些共生对在整个图像中出现的频率来生成一个称为灰度共生矩阵（GLCM）的矩阵。
二、灰度共生矩阵法的主要步骤1. 灰度化：将彩色图像转换为灰度图像。
2. 分块：将整幅图像分割成若干个小块，每个小块的大小可以根据实际需求来确定。
3. 计算灰度共生矩阵：对于每个小块，计算其灰度共生矩阵。
具体而言，对于每个像素点，统计它周围距离为d、方向为θ的所有像素点的灰度值，并将这些灰度值作为共生对出现的频率填入GLCM中。
4. 特征提取：从GLCM中提取出各种特征参数。
常用的特征参数包括能量、熵、对比度、相关性等。
5. 分类识别：将提取出来的特征参数输入到分类器中进行分类识别。
三、灰度共生矩阵法的常用特征参数1. 能量（Energy）：能量是指GLCM中所有元素平方和的开方，它反映了图像纹理的粗细程度。
能量越大，表示图像纹理越粗糙。
2. 熵（Entropy）：熵是指GLCM中所有元素对数之和的相反数，它反映了图像纹理的复杂程度。
熵越大，表示图像纹理越复杂。
3. 对比度（Contrast）：对比度是指GLCM中元素值之差与元素位置之间距离的加权和，它反映了图像纹理的明暗程度。
对比度越大，表示图像纹理越明暗分明。
4. 相关性（Correlation）：相关性是指GLCM中元素值之间的线性关系程度，它反映了图像纹理的方向性。
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。
常用的纹理特征
常用的纹理特征
纹理特征是指物体表面的细节和纹理特点，对于计算机视觉和图像处理来说非常重要。
常用的纹理特征主要包括以下几种：
1. 灰度共生矩阵（GLCM）：用于描述灰度级之间的相互关系和分布，可用于表征纹理的颗粒度、方向特征等。
2. 局部二值模式（LBP）：将像素与周围像素比较并编码，用于表征纹理的变化、边缘特征等。
3. 小波变换（WT）：将信号分解为多个频带，可用于表征纹理的尺度、频率特征等。
4. 方向梯度直方图（HOG）：统计局部梯度的方向和强度，用于表征纹理的形状、边缘特征等。
5. 高斯滤波器：通过不同尺寸的滤波器得到不同尺度的图像，可用于表征纹理的大小、尺度特征等。
这些纹理特征在图像分类、物体识别、人脸识别等领域都有广泛应用。
- 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)。
圖像的灰度共生矩陣
Gray-level co-occurrence matrix from an image
圖像的灰度共生矩陣
灰度共生矩陣是像素距離和角度的矩陣函數，它通過計算圖像中一定距離和一定方向的兩點灰度之間的相關性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。
使用方法：
glcm = graycomatrix(I)
glcms = graycomatrix(I,param1,val1,param2,val2,...)
[glcms,SI] = graycomatrix(...)
描述：
glcms = graycomatrix(I) 產生圖像I的灰度共生矩陣GLCM。
它是通過計算兩灰度值在圖像I 中水平相鄰的次數而得到的(也不必是水平相鄰的次數，這一參數是可調的，可能通過Offsets來進行調整，比如[0 D]代表是水平方向，[-D D]代表是右上角45度方向，[-D 0]代表是豎直方向，即90度方向，而[-D -D]則代表是左上角，即135度方向），GLCM中的每一個元素（i,j）代表灰度i與灰度j在圖像中水平相鄰的次數。
因為動態地求取圖像的GLCM區間代價過高，我們便首先將灰度值轉換到I的灰度區間裡。
如果I是一個二值圖像，那麼灰度共生矩陣就將圖像轉換到兩級。
如果I是一個灰度圖像，那將轉換到8級。
灰度的級數決定了GLCM的大小尺寸。
你可以通過設定參數「NumLevels」來指定灰度的級數，還可以通過設置「GrayLimits"參數來設置灰度共生矩陣的轉換方式。
下圖顯示了如何求解灰度共生矩陣，以（1，1）點為例，GLCM（1，1）值為1說明只有一對灰度為1的像素水平相鄰。
GLCM（1，2）值為2，是因為有兩對灰度為1和2的像素水平相鄰。
glcms = graycomatrix(I,param1,val1,param2,val2,...) 返回一個或多個灰度灰度共生矩陣，根據指定的參數。
參數可以很簡短，並且對大小寫不敏感。
參數
'GrayLimits' 是兩個元素的向量，表示圖像中的灰度映射的範圍，如果其設為[]，灰度共生矩陣將使用圖像I的最小及最大灰度值作為GrayLimits
'NumLevels' 一個整數，代表是將圖像中的灰度歸一範圍。
舉例來說，如果NumLevels 為8，意思就是將圖像I的灰度映射到1到8之間，它也決定了灰度共生矩陣的大小
'Offset' 上面有解釋，是一個p*2的整數矩陣，D代表是當前像素與鄰居的距離，通過設置D值，即可設置角度
Angle Offset
0 [0 D]
45 [-D D]
90 [-D 0]
135 [-D -D]
示例：
計算灰度共生矩陣，並且返回縮放後的圖像，SI
I = [ 1 1 5 6 8 8; 2 3 5 7 0 2; 0 2 3 5 6 7];
[glcm,SI] = graycomatrix(I,'NumLevels',9,'G',[])
計算灰度圖像的灰度共生矩陣
I = imread('circuit.tif');
glcm = graycomatrix(I,'Offset',[2 0]);
灰度共生矩陣的特徵：
角二階矩（Angular Second Moment, ASM)
ASM=sum(p(i,j).^2) p(i,j)指歸一後的灰度共生矩陣
角二階矩是圖像灰度分佈均勻程度和紋理粗細的一個度量，當圖像紋理絞細緻、灰度分佈均勻時，能量值較大，反之，較小。
熵（Entropy, ENT)
ENT=sum(p(i,j)*(-ln(p(i,j)))
是描述圖像具有的信息量的度量，表明圖像的複雜程序，當複雜程序高時，熵值較大，反之則較小。
反差分矩陣（Inverse Differential Moment, IDM)
IDM=sum(p(i,j)/(1+(i-j)^2))
反映了紋理的清晰程度和規則程度，紋理清晰、規律性較強、易於描述的，值較大；雜亂無
章的，難於描述的，值較小。