Python实现提取图像的纹理、颜色特征_快速灰度共现矩阵（GLCM）、LBP特征、颜色矩、颜色直方图。

最新推荐文章于 2025-04-29 11:49:34 发布

QQ_1309399183

最新推荐文章于 2025-04-29 11:49:34 发布

阅读量1.4k

点赞数 24

分类专栏：计算机视觉实战项目集锦文章标签： python 矩阵 opencv 图像处理特征提取 LBP特征直方图

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/145710988

版权

计算机视觉实战项目集锦专栏收录该内容

612 篇文章

订阅专栏

Python实现提取图像的纹理、颜色特征，包含快速灰度共现矩阵（GLCM）、LBP特征、颜色矩、颜色直方图。

文章目录

- - Python实现提取图像的纹理、颜色特征

Python实现提取图像的纹理、颜色特征

在图像处理和计算机视觉领域，特征提取是理解图像内容的关键步骤。本文将详细介绍如何使用Python实现从图像中提取纹理和颜色特征，包括快速灰度共现矩阵（GLCM）、局部二值模式（LBP）特征、颜色矩以及颜色直方图。

一、原始图片展示

首先，我们需要加载并显示一张用于特征提取的原始图片。这里我们使用skimage库中的内置图像作为示例：
在这里插入图片描述

from skimage import data
import matplotlib.pyplot as plt

img = data.camera()  # 加载内置的相机图像
plt.imshow(img, cmap='gray')
plt.title('Original Image')
plt.show()

二、纹理特征提取

1. 快速灰度共生矩阵（GLCM）

GLCM是一种经典的纹理分析方法，通过计算不同像素之间的空间关系来描述图像的纹理特性。下面是如何使用fast_glcm库来高效地计算GLCM均值：
在这里插入图片描述

import fast_glcm
from skimage import data

if __name__ == '__main__':
    img = data.camera()
    glcm_mean = fast_glcm.fast_glcm_mean(img)
    plt.imshow(glcm_mean, cmap='gray')
    plt.title('GLCM Mean')
    plt.show()

这个脚本展示了如何在没有每个像素for循环的情况下计算GLCM，并且其效率高于scikit-image上的GLCM实现。
在这里插入图片描述

2. 局部二值模式（LBP）

LBP是一种有效的纹理描述符，广泛应用于人脸识别等领域。以下是获取LBP特征的方法：

原始LBP模式：直接根据邻域像素与中心像素的比较结果生成。
等价LBP模式：减少模式数量以简化表示。
旋转不变LBP模式：使得特征对旋转具有不变性。
等价旋转不变LBP模式：结合了上述两种特性。

主要文件get_LBP_from_Image.py用于获取图像的LBP特征。辅助文件如get_resolve_map.py和get_uniform_map.py帮助理解算法降维后新的像素值如何得到，并已将求出的结果写入主文件中。

# 示例代码片段
from skimage.feature import local_binary_pattern
import numpy as np

def get_lbp(image, P=8, R=1):
    lbp = local_binary_pattern(image, P, R, method="uniform")
    return lbp

lbp_image = get_lbp(img)
plt.imshow(lbp_image, cmap='gray')
plt.title('LBP Feature Map')
plt.show()

三、颜色特征提取

在这里插入图片描述

1. 颜色矩

颜色矩是一种简单而有效的颜色特征表示方法，包含一阶矩（均值）、二阶矩（方差）和三阶矩（斜度）。这些统计量足以表达图像的颜色分布。

def color_moments(image):
    channels = cv2.split(image)
    features = []
    for channel in channels:
        mean = np.mean(channel)
        std = np.std(channel)
        skewness = np.mean(((channel - mean) / (std + 1e-7)) ** 3)
        features.extend([mean, std, skewness])
    return features

color_features = color_moments(cv2.cvtColor(img, cv2.COLOR_GRAY2BGR))
print("Color Moments:", color_features)

颜色矩的优点在于不需要颜色空间量化，特征向量维数低，但检索效率较低，通常用于过滤图像以缩小检索范围。

2. 颜色直方图

在这里插入图片描述

颜色直方图是一种常见的颜色特征提取方法，它记录了每种颜色在图像中出现的频率。可以通过以下方式计算：

import cv2

def color_histogram(image, bins=[8, 8, 8]):
    hist = cv2.calcHist([image], [0, 1, 2], None, bins, [0, 256, 0, 256, 0, 256])
    cv2.normalize(hist, hist)
    return hist.flatten()

histogram = color_histogram(cv2.cvtColor(img, cv2.COLOR_GRAY2BGR))
print("Color Histogram:", histogram)