Tamura纹理特征的matlab实现

最新推荐文章于 2025-05-26 18:03:29 发布
最新推荐文章于 2025-05-26 18:03:29 发布
阅读量1.5w 收藏 112
点赞数 20
CC 4.0 BY-SA版权
分类专栏： 计算机视觉 文章标签： Tamura
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jzwong/article/details/51584535
本文介绍了一种基于六个指标（粗糙度、对比度、方向度、线性度、规则度、粗略度）的图像纹理特征分析方法，并提供了MATLAB代码实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

事实上这篇文章并非原创，代码都是别人写的，可是在我的机子上有些地方不能run，我做了一丁点的修改，所以就把文章设置为原创了。另外，最初的参照博客已经看不到了，我看到的已经是别人转的，所以我有必要贴一下别人的链接以示尊重。

第一个链接： http://blog.sina.com.cn/s/blog_59ead5d90100gx1d.html 该文章已被加密，打不开了大笑幸亏有别人已经转载博主的文章，我的这篇文章就是从第二篇文章那里复制加修改得到的，代码整理放在CSDN博客上看起来更加美观，且亲测可直接运行。

第二个链接：http://blog.sina.com.cn/s/blog_5ae7a1de01012r03.html

对应原文为： Textural Features Corresponding to Visual Perception

下面分模块贴代码，代码是我在第二个链接的基础上稍作修改得到的，亲测可直接运行，没有任何问题。

第一个指标 Coarseness，粗糙度

%调用举例：
%image=rgb2gray(imread('example.jpg'));
%f=coarseness(image,5)
function Fcrs = coarseness( graypic,kmax )%graphic为待处理的灰度图像，2^kmax为最大窗口
[h,w]=size(graypic); %获取图片大小
A=zeros(h,w,2^kmax); %平均灰度值矩阵A
%计算有效可计算范围内每个点的2^k邻域内的平均灰度值
for i=2^(kmax-1)+1:h-2^(kmax-1)
    for j=2^(kmax-1)+1:w-2^(kmax-1)
        for k=1:kmax
            A(i,j,k)=mean2(graypic(i-2^(k-1):i+2^(k-1)-1,j-2^(k-1):j+2^(k-1)-1));
        end
    end
end
%对每个像素点计算在水平和垂直方向上不重叠窗口之间的Ak差
for i=1+2^(kmax-1):h-2^(kmax-1)
    for j=1+2^(kmax-1):w-2^(kmax-1)
        for k=1:kmax
            Eh(i,j,k)=abs(A(i+2^(k-1),j,k)-A(i-2^(k-1),j));
            Ev(i,j,k)=abs(A(i,j+2^(k-1),k)-A(i,j-2^(k-1)));
        end
    end
end
%对每个像素点计算使E达到最大值的k
for i=2^(kmax-1)+1:h-2^(kmax-1)
    for j=2^(kmax-1)+1:w-2^(kmax-1)
        [maxEh,p]=max(Eh(i,j,:));
        [maxEv,q]=max(Ev(i,j,:));
        if maxEh>maxEv
            maxkk=p;
        else
            maxkk=q;
        end
        Sbest(i,j)=2^maxkk; %每个像素点的最优窗口大小为2^maxkk
    end
end
%所有Sbest的均值作为整幅图片的粗糙度
Fcrs=mean2(Sbest);
end
第二个指标 Contrast，对比度 
%调用举例：
%注意这个函数因为涉及到方差，要求输入类型为double，因此我这里在源代码上做了适当的修改
%image=rgb2gray(imread('example.jpg'));
%f=contrast(image)
function Fcon=contrast(graypic) %graypic为待处理的灰度图片
graypic=double(graypic);%这一句我自己做了修改，否则原博文中的代码不能直接运行
x=graypic(:); %二维向量一维化
M4=mean((x-mean(x)).^4); %四阶矩
delta2=var(x,1); %方差
alfa4=M4/(delta2^2); %峰度
delta=std(x,1); %标准差
Fcon=delta/(alfa4^(1/4)); %对比度
end
第三个指标 Directionality，方向度 
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%[Fdir,sita]=directionality(image)

%sita为各像素点的角度矩阵，在线性度中会用到，所以这里作为结果返回
function [Fdir,sita]=directionality(graypic)
[h w]=size(graypic);
%两个方向的卷积矩阵
GradientH=[-1 0 1;-1 0 1;-1 0 1];
GradientV=[ 1 1 1;0 0 0;-1 -1 -1];
%卷积，取有效结果矩阵
MHconv=conv2(graypic,GradientH);
MH=MHconv(3:h,3:w);
MVconv=conv2(graypic,GradientV);
MV=MVconv(3:h,3:w)
%向量模
MG=(abs(MH)+abs(MV))./2;
%有效矩阵大小
validH=h-2;
validW=w-2
%各像素点的方向
for i=1:validH
    for j=1:validW
        sita(i,j)=atan(MV(i,j)/MH(i,j))+(pi/2);
    end
end
n=16;
t=12;
Nsita=zeros(1,n);
%构造方向的统计直方图
for i=1:validH
    for j=1:validW
        for k=1:n
            if sita(i,j)>=(2*(k-1)*pi/2/n) && sita(i,j)<((2*(k-1)+1)*pi/2/n) && MG(i,j)>=t
                Nsita(k)=Nsita(k)+1;
            end
        end
    end
end
for k=1:n
    HD(k)=Nsita(k)/sum(Nsita(:));
end
%假设每幅图片只有一个方向峰值，为计算方便简化了原著
[maxvalue,FIp]=max(HD);
Fdir=0;
for k=1:n
    Fdir=Fdir+(k-FIp)^2*HD(k);%公式与原著有改动
end
end
第四个指标 Linelikeness，线性度 
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%Flin=linelikeness(image,sita,4) %sita为directionality.m返回的结果
function Flin=linelikeness(graypic,sita,d) %d为共生矩阵计算时的像素间隔距离
n=16;
[h,w]=size(graypic);
%构造方向共生矩阵
PDd1=zeros(n,n);
PDd2=zeros(n,n);
PDd3=zeros(n,n);
PDd4=zeros(n,n);
PDd5=zeros(n,n);
PDd6=zeros(n,n);
PDd7=zeros(n,n);
PDd8=zeros(n,n);
for i=d+1:h-d-2
    for j=d+1:w-d-2
        for m1=1:n
            for m2=1:n
                %下方向 
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j)>=(2*(m2-1)*pi/2/n) && sita(i+d,j)<((2*(m2-1)+1)*pi/2/n))
                    PDd1(m1,m2)=PDd1(m1,m2)+1;
                end
                %上方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j)>=(2*(m2-1)*pi/2/n) && sita(i-d,j)<((2*(m2-1)+1)*pi/2/n))
                    PDd2(m1,m2)=PDd2(m1,m2)+1;
                end
                %右方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i,j+d)>=(2*(m2-1)*pi/2/n) && sita(i,j+d)<((2*(m2-1)+1)*pi/2/n))
                    PDd3(m1,m2)=PDd3(m1,m2)+1;
                end
                %左方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i,j-d)>=(2*(m2-1)*pi/2/n) && sita(i,j-d)<((2*(m2-1)+1)*pi/2/n))
                    PDd4(m1,m2)=PDd4(m1,m2)+1;
                end
                %右下方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j+d)>=(2*(m2-1)*pi/2/n) && sita(i+d,j+d)<((2*(m2-1)+1)*pi/2/n))
                    PDd5(m1,m2)=PDd5(m1,m2)+1;
                end
                %右上方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j+d)>=(2*(m2-1)*pi/2/n) && sita(i-d,j+d)<((2*(m2-1)+1)*pi/2/n))
                    PDd6(m1,m2)=PDd6(m1,m2)+1;
                end
                %左下方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j-d)>=(2*(m2-1)*pi/2/n) && sita(i+d,j-d)<((2*(m2-1)+1)*pi/2/n))
                    PDd7(m1,m2)=PDd7(m1,m2)+1;
                end
                %左上方向
                if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j-d)>=(2*(m2-1)*pi/2/n) && sita(i-d,j-d)<((2*(m2-1)+1)*pi/2/n))
                    PDd8(m1,m2)=PDd8(m1,m2)+1;
                end
            end
        end
    end
end
f=zeros(1,8);
g=zeros(1,8);
for i=1:n
    for j=1:n
        f(1)=f(1)+PDd1(i,j)*cos((i-j)*2*pi/n);
        g(1)=g(1)+PDd1(i,j);
        f(2)=f(2)+PDd2(i,j)*cos((i-j)*2*pi/n);
        g(2)=g(2)+PDd2(i,j);
        f(3)=f(3)+PDd3(i,j)*cos((i-j)*2*pi/n);
        g(3)=g(3)+PDd3(i,j);
        f(4)=f(4)+PDd4(i,j)*cos((i-j)*2*pi/n);
        g(4)=g(4)+PDd4(i,j);
        f(5)=f(5)+PDd5(i,j)*cos((i-j)*2*pi/n);
        g(5)=g(5)+PDd5(i,j);
        f(6)=f(6)+PDd6(i,j)*cos((i-j)*2*pi/n);
        g(6)=g(6)+PDd6(i,j);
        f(7)=f(7)+PDd7(i,j)*cos((i-j)*2*pi/n);
        g(7)=g(7)+PDd7(i,j);
        f(8)=f(8)+PDd8(i,j)*cos((i-j)*2*pi/n);
        g(8)=g(4)+PDd8(i,j);
    end
end
tempM=f./g;
Flin=max(tempM);%取8个方向的线性度最大值作为图片的线性度
end
第五个指标 Regularity，规则度 
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%Freg=regularity(image,64)
function Freg=regularity(graypic,windowsize) %windowsize为计算规则度的子窗口大小
[h,w]=size(graypic);
k=0;
for i=1:windowsize:h-windowsize
    for j=1:windowsize:w-windowsize
        k=k+1;
        crs(k)=coarseness(graypic(i:i+windowsize-1,j:j+windowsize-1),5); %粗糙度
        con(k)=contrast(graypic(i:i+windowsize-1,j:j+windowsize-1)); %对比度
        [dire(k),sita]=directionality(graypic(i:i+windowsize-1,j:j+windowsize-1));%方向度
        lin=linelikeness(graypic(i:i+windowsize-1,j:j+windowsize-1),sita,4)*10; %线性度，*10与crs、con、dire同量级化
    end
end
%求上述各参数的标准差
Dcrs=std(crs,1);
Dcon=std(con,1);
Ddir=std(dire,1);
Dlin=std(lin,1);
Freg=1-(Dcrs+Dcon+Ddir+Dlin)/4/100;
end

第六个指标 Roughness，粗略度

%粗略度
Frgh=Fcrs+Fcon;
这篇文章我读的很费劲，感觉很多地方其实并没有多么明白，只是希望拿这几个指标作为图像纹理“好坏”的衡标准，为调参过程提供依据，仅此而已。

有问题可发邮件至 jzwangATbjtuDOTeduDOTcn 讨论交流。注：代码非我所写，我只做丁点修改使之可在我的机器上顺利运行。向原作致谢，如有侵权马上删掉！






【CV系列】Tamura纹理特征
CSDN明星博主，认证博客专家，视频、Matlab领域优质创作者。
02-08 2783
DATE: 2020.2.8 在研究图像特征时，看到有Tamura纹理特征，没有仔细研究，这里先记录在这里，后面需要再进行研究。
tamura纹理特征 JAVA_（zz）Tamura纹理特征的matlab实现（一）---粗糙度
weixin_39671621的博客
02-27 634
搜了好久也没找到Tamura纹理特征的实现代码，于是自己动手丰衣足食，找出了最原始的Tamura的论文《TexturalFeatures Corresponding to VisualPerception》来研读。今天下午实现了粗糙度(coarseness)部分，与大家共享，有错误的地方，还望大家指正。后续的对比度(contrast)、方向度(directionality)、线性度(linelik...
用tamura算法提取图像的纹理特征
03-29
利用tamura算法，可以计算出图像的粗糙度、线性度以及规整度等纹理特征
图像与处理及Tamura纹理特征提取_tamura纹理特征_纹理特征提取_纹理特征_图像处理_纹理图像_
10-01
图像预处理以及提取图像的Tamura 纹理特征
纹理特征提取Matlab代码：深入挖掘SAR影像中的纹理信息
最新发布
gitblog_06713的博客
05-26 536
纹理特征提取Matlab代码：深入挖掘SAR影像中的纹理信息 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 纹理特征提取Matlab代码是一个专注于合成孔径雷达（SAR）影像处理的开源项目。它基于灰度共生矩阵（GLCM）方法，能够高效地从影像中提取出丰富的纹理特征，为SAR影像分析和解释提供了强有力的工具。 项目技术分析 核心功能：灰度共生矩阵 灰度共生矩阵（GLCM...
tamura纹理特征 JAVA_Tamura纹理特征
weixin_32953371的博客
02-27 578
coarseness.m%graypic为待处理的灰度图片，2^kmax为最大窗口 function Fcrs=coarseness(graypic,kmax) %获取图片大小 [h,w]=size(graypic); %平均灰度值矩阵A A=zeros(h,w,2^kmax); %计算有效可计算范围内每个点的2^k邻域内的平均灰度值 for i=2^(kmax-1)+1:h-2^(kmax-1)...
Matlab实现Tamura特征的提取
03-20
基于人类对纹理的视觉感知的心理学的研究，Tamura 等人提出了纹理特征的表达[14]。Tamura 纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度（coarseness） 、对比度 （contrast） 、 方向度 （directionality） 、 线像度 （linelikeness） 、 规整度 （regularity） 和粗略度 （roughness） 。 其中，前三个分量对于图像检索尤其重要。Matlab实现Tamura特征的提取。
Tamura纹理特征
热门推荐
林建华的专栏
08-03 1万+
基于人类对纹理的视觉感知的心理学的研究，Tamura等人提出了纹理特征的表达[14]。Tamura纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度（coarseness）、对比度（contrast）、方向度（directionality）、 线像度（linelikeness）、规整度（regularity）和粗略度（roughness）。其中，前三个分量对于图像检索尤其重要[e
tamura特征提取，MATLAB实现
03-09
在MATLAB中实现Tamura特征提取可以帮助我们分析和比较图像的不同纹理区域，广泛应用于图像分类、目标识别和医学影像分析等领域。 Tamura特征包括以下七个主要方面： 1. **粗糙度（Coarseness）**：衡量图像中纹理...
MATLAB Tamura纹理特征提取方法及实现程序说明,基于MATLAB的Tamura纹理特征提取系统：六维特征分析程序,基于matlab的Tamura纹理特征提取，包括粗糙度、对比度、方向度、线性
03-04
在具体实现方面，开发者已经完成了基于MATLAB的Tamura纹理特征提取程序的开发，并提供了详细的程序说明文档。这些文档通常包括了引言、方法论、程序设计思路、测试结果以及使用说明等部分。用户可以通过替换成自己的...
tamura-texture.rar_MATLAB 纹理_Tamura 纹理_Tamura纹理特征_tamura_特征 matl
07-14
这是一个飞机纹理特征提取的matlab程序，执行效果很好！
tamura 特征提取
12-26
用于遥感图像处理，tamura特征属于一种纹理特征，利用它可以进行基于纹理的图像分类
纹理特征 matlab、
12-08
纹理特征lbp方式 matlab实现 大家经供参考 000
matlab常用纹理特征提取方法（GLCM，GLDS，LBP，GMRF，FD，Gabor）
10-27
一些常用的纹理特征提取方法汇总，都是用matlab写的，经过测试后有效。希望对大家有所帮助。
纹理特征 matlab
04-04
利用灰度共生举证提取纹理特征的matlab代码，可用来处理SAR影像。
tamura纹理特征 JAVA_tamura纹理特征算法
weixin_35779001的博客
02-27 1098
2019/6/20 第4页 共21页 制造技术及装备自动化研究所 研究背景 纹理分析方法 统计方法灰度共生矩阵 灰度游程矩阵 灰度梯度矩阵 自相关函数 Tamura纹理特征 局部......信号处理法的经典算法有: 灰度共生矩阵、 Tamura 纹理特征、 自回归纹理模...2010 年第 19 卷第 6 期 计算机系统应用 纹理特征研究综述孙君顶摘 ①...为了满足人类对纹理的视觉感知心理学的研...
Tamura texture features
学习记录
06-12 5944
上图是灰度共生矩阵的原理图。 原理可以详细阅读有关论文，这里有详细介绍：查看链接 基于人类对纹理的视觉感知的心理学的研究，Tamura等人提出了纹理特征的表达[14]。Tamura纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度（coarseness）、对比度（contrast）、方向度（directionality）、 线像度（linelikeness）、规整度（
tamura纹理特征matlab
05-18
以下是基于MATLAB实现Tamura纹理特征提取的一个简单示例： #### MATLAB代码实现 ```matlab function tamuraFeatures = extractTamuraFeatures(imagePath) % 加载灰度图像 img = imread(imagePath); if size(img,...
评论 16
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值