本文介绍了如何使用Matlab进行图像纹理特征提取，以道路状况分类为例，通过灰度共生矩阵和SVM进行分析。通过灰度转换、直方图均衡化等步骤，优化处理流程，最后实现了95%的分类正确率。
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、简介（附课程作业报告）
图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作，其中图像的纹理特征对描述图像内容具有重要意义，纹理特征提取已成为图像领域研究的一个重要方法。
本项目以道路状况分类为背景，基于SVM使用纹理特征参数完成对道路状况的分类。
1 灰度共生矩阵的特征参数
- 二阶矩
- 对比度
- 相关性
- 熵
- 逆差距
2 实现过程
本文以识别路况为背景设计系统，首先读取图像文件，在为了得到较为理想的结果，给出的图片尺寸较小，这样的目的在于提高运行速度、能够对理想情况下的识别结果有更加精确的把握。由于RGB图像的体积较大，但另一方面我们也知道，一张图片也可以用其灰度图像来反映，因此，对目标图像进行灰度的转化，可以降低对设计复杂度和运行效率的要求。尽管灰度转化后可以有效的降低图片的大小，但是对于256灰度级的图片仍然会给处理带来一些时间上的消耗，因此需要在保持原图像信息不变的情况下大量削减灰度级，通过对图像进行直方图均衡化处理，增加灰度值的动态范围，从而增加图像的整体对比效果。通常，需要将每个扫描的方向所计算的特征参数计算出来作一个权衡，这样能够更好地综合影响因素，一般会将每个方向的特征参数计算出来取平均，这样就可以以一个综合的指标来识别图像了。把所有的设计思路综合起来，可以用下图所示的系统设计框图来反映。
3 分类结果
通过样本标签和分类后的标签对比，得出使用能量和对比度作为训练分类器的样本，分类器对于实验待分类样本分类的其正确率为：95%，由此可以看出，这个分类器对于道路状况的分类仍然具有一定的意义。
4 设计总结
计算灰度共生矩阵时要考虑三个变量，图像灰度级、方向和距离。
对于灰度级的选取，灰度级决定了灰度共生矩阵的计算规模，降低灰度级可以提高计算速度和减少存储空间需求，且适当降低灰度级还可以减少噪声对图像的影响，但过小的灰度级会破坏有用纹理的成分。
对于距离d的选择，共生矩阵在精细纹理中随距离而快速变化，而在粗糙纹理中随距离则变化缓慢。一般而言，对于平滑纹理用较大的距离，对于粗糙纹理用较小的距离会取得较好的效果。对于方向的选择，一般有四种取值，通过不同方向可以考察不同的纹理，不同方向生成的共生矩阵中包含不同的纹理信息。在考虑方向时，往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值，然后以各方向特征值的均值作为最终纹理分量。
利用SVM进行分类时，样本的选取和核函数的选取是分类器是否优良的一个重要影响因素，因此，对于一个优良的分类器，应该充分考虑各种影响因素后，选择一个最优的方案才能使待分类目标得到更好的分类。
⛄二、部分源代码
clc;close all ; clear all;
%--------------------------------------------------------------------------
%获取图像和图像信息
%--------------------------------------------------------------------------
file_jpg = ls(strcat('*.jpg'));
files = cellstr(file_jpg);
fileNum = length(files);
Ans_data=zeros(5,4,fileNum);
for n = 1 :fileNum
[Ans_data(1,:,n),Ans_data(2,:,n),Ans_data(3,:,n),Ans_data(4,:,n),Ans_data(5,:,n)]=img_process_fuc(files{n});
end
angle = 0:45:135;
color = ['k','b','c','r','g','y'];
%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的能量
%--------------------------------------------------------------------------
for n = 1:fileNum
subplot(2,3,1);L1=plot(angle,Ans_data(1,:,n),color(n));xlabel('角度');ylabel('能量');
set(L1,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的对比度
%--------------------------------------------------------------------------
for n = 1:fileNum
subplot(2,3,2);line=plot(angle,Ans_data(2,:,n),color(n));xlabel('角度');ylabel('对比度');
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的相关度
%--------------------------------------------------------------------------
for n = 1:fileNum
subplot(2,3,3);line=plot(angle,Ans_data(3,:,n),color(n));xlabel('角度');ylabel('相关度');
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的熵
%--------------------------------------------------------------------------
for n = 1:fileNum
subplot(2,3,4);line=plot(angle,Ans_data(4,:,n),color(n));xlabel('角度');ylabel('熵');
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的逆差
%--------------------------------------------------------------------------
for n = 1:fileNum
subplot(2,3,5);line=plot(angle,Ans_data(5,:,n),color(n));xlabel('角度');ylabel('逆差');
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
%--------------------------------------------------------------------------
%分别显示每张图片在四个方向上求得的逆差
%--------------------------------------------------------------------------
dataName = {'能量','对比度','相关度','熵','逆差'};
for dataNum = 1:5
figure(dataNum+1);
for n = 1:fileNum
line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName{dataNum});
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
end
%--------------------------------------------------------------------------
%求均值
%--------------------------------------------------------------------------
mean_x = Ans_data ; %均值
mean_y = Ans_data ; %均值
variance_x = Ans_data ; %均方差
variance_y = Ans_data ; %均方差
for dataNum = 1:5
figure(dataNum+1);
for n = 1:fileNum
line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName(dataNum));
set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
hold on;grid on
end
end
%
% for n = 1:fileNum
% line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName(dataNum));
% set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
% hold on;grid on
%
% end
% E_mean = mean(energy);E_variance = sqrt(cov(energy));
% EN_mean = mean(entropy);EN_variance = sqrt(cov(entropy));
% CON_mean = mean(contrast);CON_variance = sqrt(cov(contrast));
% COR_mean = mean(correlation) ;COR_variance = sqrt(cov(correlation));
% D_mean = mean(deficit);D_variance = sqrt(cov(deficit));
function [ energy,contrast,correlation,entropy,deficit] = img_process_fuc( img_file )
img = imread(img_file,'jpg'); %imshow(image); %读取图片
img = rgb2gray(img);%转为灰度图像
img = histeq(img);%直方图均衡化
gray_leave = 256 ;%灰度级数
gray_leave_com = 32 ;%压缩后灰度级数
dx = 1 ; dy = 1 ;%搜寻灰度步进长度
[L,W] = size(img);%图片的尺寸，L长 ，W宽
%--------------------------------------------------------------------------
%2.为了减少计算量，对原始图像灰度级压缩，将img量化成16级
%--------------------------------------------------------------------------
for i = 1 : L
for j = 1 : W
for n = 1 : gray_leave_com
if (n-1)*(gray_leave/gray_leave_com) <= img(i ,j) && ...
img(i ,j)<= (n-1)*(gray_leave/gray_leave_com )+(gray_leave/gray_leave_com )-1
img(i ,j) = n-1;
end
end
end
end
%--------------------------------------------------------------------------
%3.计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135
%--------------------------------------------------------------------------
P = zeros(gray_leave_com,gray_leave_com,4);
for m = 1 : gray_leave_com
for n = 1 : gray_leave_com
for i = 1 : L
for j = 1 : W
if (j<=W-dy && img(i , j) == m-1 && img(i ,j+dy) ==n-1) %角度为0
P(m , n , 1) = P(m, n ,1) + 1 ;
end
if (i<=L-dx && j<=W-dy && img(i , j) == m-1 && img(i +dx ,j+dy) ==n-1) %角度为45
P(m , n , 2) = P(m, n ,2) + 1;
end
if (i<=L-dx && img(i , j) == m-1 && img(i +dx ,j) ==n-1) %角度为90
P(m , n , 3) = P(m, n ,3) + 1;
end
if ( j>dy && i<=L-dx && img(i , j) == m-1 && img(i +dx ,j - dy ) ==n-1) %角度为135
P(m , n , 4) = P(m, n ,4) + 1;
end
end
end
end
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
2437
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
