灰度共生矩阵
gee计算灰度共生矩阵
gee计算灰度共生矩阵
灰度共生矩阵是用于分析图像纹理特征的统计工具。
它通过计算图像
中不同位置像素之间的灰度值关系来描述纹理特征。
计算灰度共生矩阵的过程如下：
1. 将图像转换为灰度图像，即将彩色图像的RGB通道合并为一个灰度值。
2. 设定灰度级数，即确定灰度共生矩阵的维度。
灰度级数表示灰度值
的范围，例如常用的是256级灰度（0-255）。
3. 设置灰度共生矩阵的偏移量和方向。
偏移量表示计算灰度共生矩阵
时像素间的距离，通常选择水平、垂直和对角线方向。
方向可以选择0度、45度、90度和135度。
4. 对于图像中的每个像素，找到其周围像素。
根据设定偏移量和方向，在相应的位置上记录像素对之间的灰度值关系。
5. 统计每种灰度值对出现的频率，得到灰度共生矩阵。
6. 可以对灰度共生矩阵进行进一步的统计分析，如计算灰度共生矩阵
的熵、能量、均匀性等特征。
灰度共生矩阵的计算可以用于图像分析、分类和识别。
获取灰度共生
矩阵后，可以利用其特征来描述纹理特征，进一步应用于图像处理和
计算机视觉领域中的任务。
opencvpython灰度共生矩阵纹理特征
灰度共生矩阵(GLCM)是一种常用的纹理特征提取方法，特别是在图像处理和计算机视觉领域。
它通过统计图像中像素对的灰度级信息来描述纹理特性。
在OpenCV的Python实现中，可以通过如下步骤来实现：1. 首先，你需要将彩色图像转化为灰度图像，可以使用`cv2.cvtColor()`函数。
2. 然后，你需要定义一个距离和角度参数。
这些参数将用于在图像中移动像素对。
3. 接下来，你需要定义一个函数来计算灰度共生矩阵。
这个函数将遍历图像中的所有像素对，并使用灰度共生矩阵的公式来计算每个像素对的灰度级信息。
4. 最后，你可以使用这个灰度共生矩阵来提取图像的纹理特征。
这些特征可能包括对比度、相关性、能量和熵等。
下面是一个简单的示例代码：```pythonimport cv2import numpy as np# 读取图像image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)# 定义距离和角度参数distance = 1angle = np.pi/4# 定义灰度共生矩阵函数def calculate_glcm(image, distance, angle):width, height = image.shapeglcm = np.zeros((256, 256))for x in range(0, width-distance):for y in range(0, height-distance):i = image[x][y]j = image[x+distance][y+distance]glcm[i][j] += 1return glcm/np.sum(glcm)# 计算灰度共生矩阵glcm = calculate_glcm(image, distance, angle)# 提取纹理特征contrast = np.sum(glcm[0:8, 0:8]) # 对比度特征correlation = np.sum(glcm*np.outer(np.arange(256), np.arange(256))) # 相关性特征energy = np.sum(glcm**2) # 能量特征entropy = -np.sum(glcm*np.log2(glcm+1e-10)) # 熵特征```请注意，这只是一个简单的示例代码，实际应用中可能需要根据具体需求进行修改和优化。
灰度共生矩阵标准化
灰度共生矩阵标准化
灰度共生矩阵是一种用于描述数字图像特征的方法，在图像处理、模式识别等领域有广泛的应用。
在使用灰度共生矩阵进行特征提取时，通常需要进行标准化处理，以便更准确地描述图像的特征。
灰度共生矩阵标准化可以通过以下步骤完成：
1. 将灰度共生矩阵中的每个元素除以矩阵中所有元素的总和，
得到每个元素的相对频率。
2. 将相对频率矩阵中的每个元素除以矩阵中所有元素的平均值，得到每个元素的标准化值。
这样得到的矩阵中，每个元素的值都在0到1之间，并且矩阵中所有元素的平均值为1。
3. 可以进一步将标准化矩阵中的每个元素进行平方或开方等处理，以便更好地描述图像的特征。
通过灰度共生矩阵标准化处理，可以更准确地描述数字图像中的纹理特征，提高图像处理和模式识别的准确度和可靠性。
- 1 -。
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。
灰度共生矩阵 homogeneity阈值
灰度共生矩阵homogeneity阈值全文共四篇示例，供读者参考第一篇示例：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强大工具，它可以通过统计图像中灰度值对出现的概率来分析图像的纹理信息。
GLCM是在空间域上对图像进行分析的一种方法，它可以提取出图像中不同灰度级之间的空间关系，并通过计算灰度共生矩阵的各种统计特征来描述图像的纹理特征。
GLCM的一种常用特征就是Homogeneity，即灰度共生矩阵的均匀性。
Homogeneity反映了图像纹理中灰度级之间的平滑程度，它可以描述图像中纹理的细腻程度及复杂度。
在GLCM中，Homogeneity 的计算方法可以通过公式来表示：Homogeneity = ∑(i,j) p(i,j) / (1 + |i - j|)p(i,j)表示灰度值i和j的共生概率，|i - j|表示灰度级之间的绝对差值。
Homogeneity越大，表示图像的纹理越均匀，反之则表示纹理越不均匀。
通过调整GLCM的Homogeneity阈值，可以实现对不同纹理特征的识别和分类。
在图像分析和处理中，Homogeneity阈值的选择对图像纹理特征的提取和分析至关重要。
Homogeneity阈值的选择也受到GLCM的特征参数的影响。
在进行Homogeneity阈值设置时，需要根据GLCM的特征参数进行合理的调整，以获得更加准确和稳定的图像纹理特征描述。
以上就是关于【灰度共生矩阵Homogeneity阈值】的一些基本介绍和分析，希望对读者有所帮助。
希望通过本文的介绍，读者对GLCM的Homogeneity特征及其阈值的选择有了更深入的了解，能够更好地应用于图像处理和分析领域。
第二篇示例：灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）是图像处理中常用的一种描述灰度分布特性的工具，它通过统计图像中像素点灰度级别之间的共生关系来分析图像的纹理特征。
灰度共生矩阵14个特征
灰度共生矩阵14个特征
灰度共生矩阵是一种基于灰度值的图像特征描述方法，在图像处理、目标识别和分类等领域有着广泛的应用。
灰度共生矩阵可以获取图像中像素间的空间关系和灰度值间的相互关系，可以生成14个不同的特征，用于描述图像的纹理信息。
下面将分别介绍这14个特征。
1.能量（Energy）
能量是指灰度共生矩阵中所有元素平方和的平方根，它描述的是图像中纹理信息的整体强度和均匀程度。
2.对比度（Contrast）
对比度是指各个灰度级之间出现的次数和相对强度的加权平均差值，即所有元素平方的加权和。
对比度描述了灰度级之间的突变或分散程度。
3.相关性（Correlation）
4.同质性（Homogeneity）
同质性是指灰度共生矩阵中每个元素与它相邻元素之间的相似度大小，它描述了像素之间的相似性和连通性。
5.熵（Entropy）
6.灰度平均值（Mean）
7.方差（Variance）
9.相关度（Cluster Shade）
10.互信息（Cluster Prominence）
11.对角线平均值（Diagonal Mean）
对角线相关性是指灰度共生矩阵中对角线元素之间的相关性，它描述了图像中对角线区域的纹理信息的方向性和规则性。
14.梯度（Gradient）
梯度是指图像中每个像素和周围像素之间的灰度差，它描述了图像中的轮廓信息。
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。
- 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)。
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。
此处熵同样表示图像的信息量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。
它表示了图像中纹理的非均匀程度或复杂程度。
自相关（correlation）：反应了图像纹理的一致性。
如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。
代码：GLCM.h#include<iostream>#include <cassert>#include <vector>#include <iterator>#include <functional>#include <algorithm>#include <opencv2/opencv.hpp>using namespace std;using namespace cv;typedef vector<vector<int> > VecGLCM;typedef struct _GLCMFeatures{_GLCMFeatures(): energy(0.0), entropy(0.0), contrast(0.0), idMoment(0.0){}double energy; // 能量double entropy; // 熵double contrast; // 对比度double idMoment; // 逆差分矩，inverse difference moment} GLCMFeatures;class GLCM{public:GLCM();~GLCM();public:// 枚举灰度共生矩阵的方向enum{GLCM_HORIZATION = 0, // 水平GLCM_VERTICAL = 1, // 垂直GLCM_ANGLE45 = 2, // 45度角GLCM_ANGLE135 = 3 // 135度角};public:// 计算灰度共生矩阵void calGLCM(IplImage* inputImg, VecGLCM& vecGLCM, int angle);// 计算特征值void getGLCMFeatures(VecGLCM& vecGLCM, GLCMFeatures& features);public:// 初始化灰度共生矩阵void initGLCM(VecGLCM& vecGLCM, int size = 16);// 设置灰度划分等级，默认值为16void setGrayLevel(int grayLevel) { m_grayLevel = grayLevel; }// 获取灰度等级int getGrayLevel() const { return m_grayLevel; }private:// 计算水平灰度共生矩阵void getHorisonGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);// 计算垂直灰度共生矩阵void getVertialGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);// 计算45 度灰度共生矩阵void getGLCM45(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);// 计算135 度灰度共生矩阵void getGLCM135(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight); private:int m_grayLevel; // 将灰度共生矩阵划分为grayLevel 个等级};GLCM.cpp#include "GLCM.h"GLCM::GLCM() : m_grayLevel(16){}GLCM::~GLCM(){}//======================================================================== ======// 函数名称: initGLCM// 参数说明: vecGLCM,要进行初始化的共生矩阵,为二维方阵// size, 二维矩阵的大小,必须与图像划分的灰度等级相等// 函数功能: 初始化二维矩阵//======================================================================== ======void GLCM::initGLCM(VecGLCM& vecGLCM, int size){assert(size == m_grayLevel);vecGLCM.resize(size);for (int i = 0; i < size; ++i){vecGLCM[i].resize(size);}for (int i = 0; i < size; ++i){for (int j = 0; j < size; ++j){vecGLCM[i][j] = 0;}}}//======================================================================== ======// 函数名称: getHorisonGLCM// 参数说明: src,要进行处理的矩阵,源数据// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵// imgWidth, 图像宽度// imgHeight, 图像高度// 函数功能: 计算水平方向的灰度共生矩阵//======================================================================== ======void GLCM::getHorisonGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight){int height = imgHeight;int width = imgWidth;for (int i = 0; i < height; ++i){for (int j = 0; j < width - 1; ++j){int rows = src[i][j];int cols = src[i][j + 1];dst[rows][cols]++;}}}//======================================================================== ======// 函数名称: getVertialGLCM// 参数说明: src,要进行处理的矩阵,源数据// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵// imgWidth, 图像宽度// imgHeight, 图像高度// 函数功能: 计算垂直方向的灰度共生矩阵//======================================================================== ======void GLCM::getVertialGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight){int height = imgHeight;int width = imgWidth;for (int i = 0; i < height - 1; ++i){for (int j = 0; j < width; ++j){int rows = src[i][j];int cols = src[i + 1][j];dst[rows][cols]++;}}}//======================================================================== ======// 函数名称: getGLCM45// 参数说明: src,要进行处理的矩阵,源数据// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵// imgWidth, 图像宽度// imgHeight, 图像高度// 函数功能: 计算45度的灰度共生矩阵//======================================================================== ======void GLCM::getGLCM45(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight){int height = imgHeight;int width = imgWidth;for (int i = 0; i < height - 1; ++i){for (int j = 0; j < width - 1; ++j){int rows = src[i][j];int cols = src[i + 1][j + 1];dst[rows][cols]++;}}}//======================================================================== ======// 函数名称: getGLCM135// 参数说明: src,要进行处理的矩阵,源数据// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵// imgWidth, 图像宽度// imgHeight, 图像高度// 函数功能: 计算135 度的灰度共生矩阵//======================================================================== ======void GLCM::getGLCM135(VecGLCM& src, VecGLCM& dst, int imgWidth, int imgHeight){int height = imgHeight;int width = imgWidth;for (int i = 0; i < height - 1; ++i){for (int j = 1; j < width; ++j){int rows = src[i][j];int cols = src[i + 1][j - 1];dst[rows][cols]++;}}}//======================================================================== ======// 函数名称: calGLCM// 参数说明: inputImg,要进行纹理特征计算的图像,为灰度图像// vecGLCM, 输出矩阵,根据灰度图像计算出的灰度共生阵// angle,灰度共生矩阵的方向,有水平、垂直、45度、135度四个方向// 函数功能: 计算灰度共生矩阵//======================================================================== ======void GLCM::calGLCM(IplImage* inputImg, VecGLCM& vecGLCM, int angle){assert(inputImg->nChannels == 1);IplImage* src = NULL;src = cvCreateImage(cvGetSize(inputImg), IPL_DEPTH_32S, inputImg->nChannels);cvConvert(inputImg, src);int height = src->height;int width = src->width;int maxGrayLevel = 0;// 寻找最大像素灰度最大值for (int i = 0; i < height; ++i){for (int j = 0; j < width; ++j){int grayVal = cvGetReal2D(src, i, j);if (grayVal > maxGrayLevel){maxGrayLevel = grayVal;}}}// end for i++maxGrayLevel;VecGLCM tempVec;// 初始化动态数组tempVec.resize(height);for (int i = 0; i < height; ++i){tempVec[i].resize(width);}if (maxGrayLevel > 16)//若灰度级数大于16，则将图像的灰度级缩小至16级，减小灰度共生矩阵的大小。