纹理的灰度共生矩阵计算问题的分析
opencvpython灰度共生矩阵纹理特征 -回复
opencvpython灰度共生矩阵纹理特征-回复在这篇文章中，我将介绍OpenCV-Python 中的灰度共生矩阵（Gray-Level Co-occurrence Matrix，简称GLCM）以及如何利用它来提取纹理特征。
通过本文，你将了解GLCM 的基本概念、计算方法和使用实例，以及在图像分析、模式识别等领域中的应用。
一、引言近年来，图像处理和计算机视觉领域发展迅速，但图像中的特征提取仍然是一个重要的挑战。
纹理特征是图像中常用的特征之一，它可以用来描述图像的细节、纹理和结构。
而GLCM 在图像处理中被广泛应用，能够提取出图像中的纹理信息，从而帮助我们理解图像中的结构和特征。
二、灰度共生矩阵（GLCM）的基本概念灰度共生矩阵（GLCM）是一种用于描述图像纹理特征的统计工具。
它通过计算图像中相邻像素的灰度值出现频率和空间关系，生成一个对称矩阵。
GLCM 的每个元素表示了在特定方向和距离上，两个像素灰度值之间的出现频率。
通过分析这个矩阵，我们可以获得图像的纹理特征。
三、计算灰度共生矩阵（GLCM）要计算灰度共生矩阵，首先需要将图像转换为灰度图像。
然后，选择一个距离和方向，对图像进行扫描，计算相邻像素的灰度值出现频率。
通过累计相邻像素的灰度值对的个数，我们可以得到一个对称的GLCM。
在计算GLCM 时，我们还需要设置一个灰度级别的参数，用于指定像素的灰度值范围。
在OpenCV-Python 中，我们可以使用`cv2.glcm` 函数来计算灰度共生矩阵。
首先，我们需要导入OpenCV 和NumPy 库，并加载图像。
然后，我们可以使用`cv2.cvtColor` 函数将图像转换为灰度图像。
接下来，使用`cv2.glcm` 函数计算灰度共生矩阵。
pythonimport cv2import numpy as np# 加载图像img = cv2.imread('image.jpg')# 将图像转换为灰度图像gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 计算灰度共生矩阵glcm = cv2.glcm(gray_img, distances=[1], angles=[0], levels=256)在上述代码中，我们选择了距离为1，方向为水平的参数。
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。
灰度共生矩阵纹理特征提取算法的优化与实现
纹理特征分析的灰度共生矩阵(GLCM)
纹理特征分析的灰度共生矩阵（GLCM）灰度共生矩阵（GLCM）是一种用于纹理特征分析的图像处理技术。
它广泛应用于各种领域，例如图像识别、图像分类、医学图像分析等。
GLCM通过统计图像中不同灰度级别的像素对出现的频次来描述图像的纹理特征。
GLCM是一个二维矩阵，它以图像中的像素值为输入，生成一个矩阵。
矩阵中的每个元素表示了两个像素具有一定距离（通常为1个像素）时，它们具有其中一种特定的灰度相对关系（如相等、相邻或对称等）的频次统计。
这个频次统计是通过扫描整个图像来进行计算的。
为了计算GLCM，我们需要遍历图像中的每个像素，对于每个像素，我们将与其距离为d的像素对应的GLCM矩阵元素+1、距离d是一个参数，用于确定计算GLCM时考虑的像素对的距离。
通常，我们将距离d设置为1，以考虑邻近像素之间的关系。
GLCM矩阵的大小与图像的灰度级数有关。
如果图像有N个灰度级别，则GLCM矩阵的大小为N×N。
矩阵中的每个元素(i,j)表示在图像中，像素值为i的像素和像素值为j的像素成对出现的频次。
这个频次可以用于计算一些统计特征，这些特征可以用来描述图像的纹理特征。
常用的灰度共生矩阵特征包括：1. 对比度（Contrast）：对比度是通过计算矩阵中不同灰度级别像素对的频次差异来描述图像的纹理对比度。
2. 逆差矩（Inverse Difference Moment）：逆差矩用于衡量图像的纹理细节程度，即描述图像中相邻不同灰度级别像素对的频次。
3. 相关度（Correlation）：相关度用于衡量图像的纹理的线性依赖性，即描述图像中相邻像素的线性相关性。
4. 能量（Energy）：能量用于衡量图像的纹理的均匀性，即描述图像中不同灰度级别像素对的频次的平方和。
5. 熵（Entropy）：熵用于衡量图像的纹理的复杂性，即描述图像中不同灰度级别像素对的频次的信息熵。
这些特征可以用来描述图像的纹理特征，从而可以用于图像分类、识别等应用中。
灰度共生矩阵八个纹理特征
灰度共生矩阵八个纹理特征灰度共生矩阵是图像处理领域中常用的一种特征提取方法，其八个纹理特征可以快速、准确地描述图像的纹理特征。
下面我们就来详细介绍一下灰度共生矩阵八个纹理特征。
第一步，灰度共生矩阵的计算。
灰度共生矩阵是一种二维矩阵，用来描述图像中每种灰度值像素与其相邻像素的空间位置关系。
灰度共生矩阵的特征值，直接与图像的纹理特征相关。
第二步，各向同性的方差特征。
通过计算灰度共生矩阵中各向同性方差的平均值，可以简单地描述被分析图像的纹理特征，在统计分析时常常被使用。
第三步，方向性差异特征。
使用灰度共生矩阵构建方向性纹理特征，可以通过计算每个方向的概率分布，描述图像中不同方向纹理的差异。
第四步，灰度分布均匀度特征。
用来描述图像的灰度差异程度，一般是计算灰度值的标准差，标准差越小，灰度分布越均匀，图像质量越好。
第五步，灰度共生矩阵的能量特征。
计算灰度共生矩阵的能量值，有助于描述图像中出现频次较高的灰度值。
第六步，灰度共生矩阵的相关度特征。
描述灰度级之间纹理依赖关系的特征，计算灰度值之间的相关性。
第七步，灰度共生矩阵的对比度特征。
计算灰度共生矩阵的对比度，描述图像纹理的明暗变化程度。
第八步，灰度共生矩阵的熵特征。
描述灰度共生矩阵中信息的随机性，熵越高，灰度分布越杂乱，图像质量越低。
综上所述，灰度共生矩阵八个纹理特征可以有效地描述图像的纹理特征，应用广泛。
在实际应用中，可以根据实际需求选取不同的特征进行分析，以更准确地得出结论，提升数据分析的准确性和有效性。
Matlab中的灰度共生矩阵与纹理分析方法详解
Matlab中的灰度共生矩阵与纹理分析方法详解纹理分析是图像处理和计算机视觉中的一个重要领域，它用于描述和提取图像中的纹理信息。
而在Matlab中，灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）是一种常用的纹理分析方法。
本文将详细介绍GLCM的基本原理和应用，并探讨在Matlab中如何使用GLCM进行纹理分析。
第一部分：GLCM的基本原理1.1 GLCM的定义灰度共生矩阵是一种用于描述图像纹理特征的统计矩阵。
它基于图像中像素灰度值之间的统计关系，并计算出像素对之间的灰度值共生概率分布。
GLCM通常使用一个邻域半径来定义像素对，而这个半径可以控制计算纹理特征的尺度。
1.2 GLCM参数与特征在计算GLCM时，有几个常用的参数需要设定，包括像素对的邻域距离、邻域角度、灰度级数目等。
根据这些参数，可以得到一系列的GLCM，并从中提取出各种纹理特征。
常见的GLCM特征包括对比度、相关性、能量和熵等。
第二部分：在Matlab中使用GLCM进行纹理分析2.1 GLCM的计算在Matlab中，可以利用函数graycomatrix来计算图像的GLCM。
该函数需要指定输入图像、邻域距离、邻域角度和灰度级数目等参数。
通过调用该函数，可以得到一个GLCM矩阵。
2.2 GLCM特征的提取利用GLCM矩阵，可以进一步提取各种纹理特征。
在Matlab中，可以使用函数graycoprops来计算GLCM特征。
该函数需要指定GLCM矩阵以及要计算的特征类型。
例如，调用graycoprops(GLCM, 'Contrast')可以计算出GLCM的对比度特征。
2.3 GLCM的应用GLCM在图像处理和计算机视觉中有着广泛的应用。
例如，在医学图像中，可以利用GLCM来分析肿瘤组织的纹理特征，为肿瘤诊断提供依据。
另外，GLCM还可以用于图像分类和识别等领域。
第三部分：GLCM在实际应用中的案例分析3.1 肿瘤组织分析以医学图像中的肿瘤组织分析为例，假设我们有一组CT图像，其中包含正常组织和恶性肿瘤组织。
灰度共生矩阵提取纹理特征
灰度共生矩阵提取纹理特征Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet byusing visible and near infrared hyperspectral imagingDi Wu and Da-Wen Sun论文中提到:Five spectral features (mean, standard deviation, skew, energy, and entropy) and twentytwo image texture features obtained from graylevel co-occurrence matrix (GLCM) were extracted fromhyperspectral images in this study.灰度共生矩阵提取纹理特征的实验结果分析在图像检索中, 常用的纹理特征主要有Tamura 纹理特征[ 1] 、自回归纹理模型[ 2] 、方向性特征、小波变换[ 3- 4] 和共生矩阵等形式。
这些纹理分析方法的共同点是提取了那些在特定纹理描述中最重要的特征, 突出纹理的不同方面。
其中, 灰度共生矩阵GLCM是由文献[5] 提出的一种用来分析图像纹理特征的重要方法。
目前, 基于共生矩阵的纹理检索算法被广泛应用[ 6- 9] 。
( 1) 角二阶矩ASM=i ! j !P(i,j)2;角二阶矩是灰度共生矩阵各元素的平方和,又称能量。
它是影像纹理灰度变化均一的度量, 反映了影像灰度分布均匀程度和纹理粗细度。
( 2) 对比度CON=i ! j !(i- j)2P(i,j);对比度是灰度共生矩阵主对角线附近的惯性矩, 它度量矩阵的值是如何分布和影像中局部变化的多少, 反映了影像的清晰度和纹理的沟纹深浅。
( 3) 相关CORRLN=i ! j !((ij)p(i,j))-μx μy " #/σxσy; 它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, 相关值大小反映了影像中局部灰度相关性。
- 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)。
"!# $ %& 计算的理论分析
# 中! ! 5% : 0 = J O > G 7 0和 Y I 6 7 !! 在文献 " F 提出了用马 尔 可夫随机场模型对图像进行建模和解释的方法 ! 文献 " # 也 " 用隐马尔可夫模型进 行 图 像 元 素 间 空 间 概 率 关 系 的 建 模 : 一幅图像如果满足 性 质 $ & % 3 =% 3& X*% 3 >3 & : 6 < U 0 M " " *% 性& ! 其中 =% 是除 点 外 所 有 像 点 的 集 合 ! 3& >3 是 点3 的 邻 域! 那么该图像 灰 度 的 空 间 分 布 可 以 用 : 6 < U 0 M随机场模 型来描述 : 它表达了图 像 数 据 的 空 间 概 率 分 布 是 和 点 的 位 置没有关系的 : 也可以 理 解 为 某 个 像 素 只 与 邻 域 的 像 素 相 关! 而与邻域以外的像素相关性很小 ! 在计算时可以忽略 : 在计 算 9 角 度 通 常 选 择 为 !X ’ ) &: 时 ! # ;! 4 A ;! @ # ;! ( ! 对于每个固定的值 ! 随机场都可 以 简 化 为 一 ! 3 A ; : 6 < U 0 M 阶的马尔可夫过程 ! 即 马 尔 可 夫 链: 马 尔 可 夫 链 的 定 义 是$ 如果 ’ )( 是 马 尔 可 夫 链! 那 么 随 机 变 量 /& 满 /& &X!! "! " 足马尔可夫性质 $ % )! /& X -! /&[!X /!X !!# " &[! ! !& 9 9X? /&Z! X % & X?% /&Z!X /& X -& ! " 9 根据性质 ?% ! 可以得到 $ ! "& X?% ! "& ?% "& "
但 通常 不同 的 作者 对! 和3 的 有 不同 的 选 3 . "! ’ $ "# : ! < & W’ 取方式 " 比较常见的 " *" + 或者 只 选 3 选为3X ) #" 4" W" 3 "
& 8’ 择 3X! 而这样 的 选 择 没 有 理 论 支 持 " 因此是否可以完 :
候观测和高分辨率的特点已经成为当前遥感观测的重要手 段" 在资源 ( 环境 ( 考古以及军事等方面得到了广泛的应 用 2 而且由于. . %* 图像不仅有丰 富 的 纹 理 信 息 " %* 图 像 缺 乏空间信息 " 纹理对 . 因 %* 图 像 分 类 提 供 了 最 好 的 特 征 " 此对 . %* 的纹理分析也一直是人们关注的问题 2 图像的灰度共生矩阵 ! 已知被理论证明并且实 9 ) &:# 验显示它在纹理确定 上 是 一 个 很 好 的 方 法 " 广泛用于将灰 度值转化为纹理信息 2 9 ) &: 的概念是在 ! @ 8 3 年由
& ! #’
它描述 了 在 角 度 ! 方 向 上 相 距3 的 两 个 C 6 < 6 1 G H U 提出的 " & $’ 像素 " 其灰度分别为- 和9 的频率相关矩阵# ! "# : !的 9 3!
& " "’ 选择为 4 个离散 的 方 向 % 而3 则 是 ! # ;" 4 A ;" @ # ;" ! 3 A ;A 8 W "
% & "
将角度 !X# 像 素 相 距 3X( [! 的 共 生 矩 阵 元 素 ;! % !& 表示为 ?% 那么 ! ?/!X -! /( X : 9& 9 3! % ! & % & % - /( X - ? /( X /!X -& !? /!X " 9 X? /!X 9 & ?% /!X /!X -! /([!X @& ?% /([!X @& ! X?% " 9 # /(X
相邻的点 ! 距离为 W! 相 距 为 " 个 像 素 的 点 仍 然 有 相 关 性: 随着邻域阶数的增大 ! 即像素间距增大 ! 其间的相关性会减 小: 因此 ! 对公式 % & 的说明应该是当大于某个值的时候才 3 是成立的 ! 而当较小 时 ! 其9 ) &: 的 计 算 结 果 是 随 或 变 化 的:
图 "!; 从左到右 ! 第一行分别是 < 0 = 6 > ?图库中的自然纹理图像 ! 树皮 % & 和草 % & ! 第二行分别是气泡 % 和猪皮% !! " !! " !! "& !! & " 图 !! 邻域 $ 其中 X * ! , % & 一阶邻域 A X!, X* ! ’+ (+ % & 二阶邻域 A X", % & 八阶邻域 A XW " 3
第!期 ! " # # $年!月
电 !! 子 !! 学 !! 报 % & ’ %( ) ( & ’ *+, &3 4!, ! 5 6 72 # # $ !"
图像纹理的灰度共生矩阵计算问题的分析
薄!华! 马缚龙 ! 焦李成
! 西安电子科技大学自动化系 " 陕西西安 8 # ! # # 8 !
?% /!/")/@& X?% /@ /!/")/@[!& ?% /!/")/@[!& " X?% /@" /@[!& ?% /!/")/@[!&
X?% /!& ?% /-Z! /-& " " # $%
!" %
同时 ! 既然邻域是一个四周的概念 ! 因此对 于! 取 任 意 其他的值 ! 比如!X4 ! 仍然可以根据随机场的概念简 化为 A ; 一阶马尔可夫链 ! 得到与式 % & 相同的证明结果 : 因此 ! 可以 3 认为从式 % & 得到的结论是与的取值无关的 3 : 下面通过仿真实验验证上述结论 :
已知被理论证明并且实验显示它在纹理分析中是一个很好的方法 " 9 ) &:# !! 摘 ! 要 ! ! 图像的灰度共生矩阵 ! 广泛用于将灰度值转化为纹理信息 2 然而 " 由于 9 因此完整的 9 ) &: 是像 素 距离 和 角度 的矩 阵 函数 " ) &: 的 计 算" 其参数的选取范围很广 " 这样 9 通常是不能这样用的 2 为了解决这个问题 " 本文应用马 尔 ) &: 的计算量很大 " 可夫链的性质 " 从理论上证明了 9 当像素距离足够大的时候趋于一致性 2 这样只需较少的参数 ) &: 的计算结果 " 值就可以完整的描述图像的纹理特征 2 最后 " 通过对 ; < 0 = 6 > ?纹理库中自然纹理图像和几幅 . %* 图 像进 行仿 真 " 仿真结果验证了上述结论 2 关键词 ! ! 灰度共生矩阵 ! $ 纹理分析 $ 马尔可夫链 $ 合成孔径雷达 ! 9 ) &:# . %*# 中图分类号 ! !’ 文献标识码 ! 文章编号 ! ! # , @ A 8!!! 3 8 " B " ! ! " " # # $ # ! B # ! A A B # 4 !%!!! !#
% ’ &
描述 图 像 的 纹 理 特 征 2 并且对 ; < 0 = 6 > ?纹 理 库 中 的 自 然 纹
电 !! 子 !! 学 !! 报 !!!!!
" # # $年
理和几幅 . 验证了上述结论 2 这样 ! %* 图像进行仿真 ! 9 ) B 从理论上保证纹理计算的完整 &: 的 简 化 计 算 得 到 支 持 ! 这对于纹理的分析是非常有用的 2 性和简约性 !
& !’
和点的位置 没 有 关 系 的 2 在文献& 中" 作 者 证 明 了 :* 4’ E 模型可用于描述很广范围的图像 " 包括 . 图像 %* 2 从理论上证明了对 !! 本文应用马尔可 夫 随 机 场 的 性 质 " 的计算并不需要选取所有的参数 " 同样可以完整的 9 ) &:
万方数据 基金项目 % 国家自然科学基金 ! # " # $ $ # ! 3 3 # ! #
!! 引言
!! 纹理特征是一种不依赖于颜色或亮度而反映图像中同 @’ 质现象的视觉特征 & " 它是物体表面共有的内在 特 性 2 纹理 特征包含了物体表面结构组织排列的重要信息以及它们与 周围环境的联系 2 因 此" 纹理特征在图像检索和图像分 类中得到了广泛的 应 用 2 合成孔径雷达! 由于其全天 . %*#
收稿日期 % 修回日期 % " # # A ! # 3 ! ! A$ " # # A ! ! # ! 3 !
整的描述纹理的特征也不得而知 : 而如果选择所有的值 " 那 么巨大的计算量给纹理分析带来了困难 : 马尔可 夫 随 机 场 ! 可以对图像进行建模和解 :* E# 释 一幅图像如果满足马尔可夫性质 " 那么就可以 用 马尔 2 可夫随机场来描述 " 它表达了图像数据的空间概率分布是
% 8 9 # . % $ & . I J9 < 6 J M J 1& 0 B 0 H H D < < J 7 H J: 6 > < G N! 9 ) &:# I 6 OP J J 7Q < 0 M J = > 0P J6Q < 0 R G O G 7 J > I 0 =S 0 < !’ L) FR " G R 6 J> J N > D < J6 7 6 1 O G O 2 C 0 T J M J <> I JQ 6 < 6 R J > J < O G 7H 0 R D > G 7 I J9 ) &: 0 S6 7G R 6 JH 6 7P JO J 1 J H > J =S < 0 R6 F L Q F> F " T G = J< 6 7 J T I G H I< J O D 1 > O G 76 1 6 < J6 R 0 D 7 >0 SH 0 R D > 6 > G 0 7> 0P J7 J J = J =6 7 =R 6 U J O G >= G S S G H D 1 > > 06 7 6 1 ? J> I J F F Q L G R 6 J> J N > D < J O 2 ’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