Python灰度共生矩阵OpenCV和scikit-image图像特征分析和K-最近邻算法

我们可以通过观察在视觉上区分图像的纹理：

• 图案环
• 空间分布
• 颜色排列和强度

下图是一张图像上的纹理图，其分布为 50% 黑色和 50% 白色
平均值、中值、标准差等统计计算将无法区分上面的 3 张图像。 上面的三幅图像具有相同的颜色排列和像素强度，但具有不同的空间模式和分布，这些空间模式和分布无法通过平均值、中值或标准差等统计计算来识别，因此灰度共生矩阵 (GLCM) 为了解决这个问题而出现。

灰度共生矩阵（GLCM）是图像纹理分析技术。 GLCM表示具有灰度强度，距离和角度的2个相邻像素之间的关系。 有8个角度可以在GLCM中使用，包括0°，45°，90°，135°，180°，225°，270°或315°角。

GLCM中的距离参数是通过参考像素和相邻像素之间的像素数来计算的。

灰度共生矩阵创建步骤

• 矩阵框架创建
• 创建一个共生矩阵（填写框架矩阵）
• 创建一个对称矩阵（将共生矩阵与转置矩阵相加）
• 矩阵归一化将产生一个介于 0– 之间的矩阵值

示例&步骤

• 假设我们有一个大小为 3x3 的灰度矩阵，灰度为 0-3，如下所示，

  $$\begin{array}{lll}0& 0& 1\\ 1& 2& 3\\ 2& 3& 2\end{array}$$

• 定义框架矩阵为0，维度为4x4，这个大小是从上面的量化级别矩阵中得到的，

  Quantization level = count(gray tone)
  

• 所以对于灰度 0-3，我们得到量化级别 = 4，这样我们必须创建一个大小为 4x4 的框架矩阵

  $$\begin{array}{llll}0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}$$

• 框架矩阵中的每个位置都是3x3输入矩阵中像素值的组合。

• 考虑到灰度在 0 -255 之间，一个 8 位数字图像将具有 256 的量化级别。

• 接下来我们将使用 distance =1 和 angel =0° 来形成共现矩阵，

• 从左上角开始选择成对的像素组合，一直到右下角。

Anaconda安装scikit-image

以下是它在前面的 3x3 矩阵情况下的使用示例，

from skimage.feature import greycomatrix, greycoprops

input_matrix = np.array([[0, 0, 1],
                          [1, 2, 3],
                          [2, 3, 2]])

glcm = greycomatrix(matrix, 
                    distances=[1], 
                    angles=[0], 
                    levels=4,
                    symmetric=True, 
                    normed=True)

print(glcm[:,:,0,0])

使用数字图像

Jupyter Notebook结果

相异性、相关性、同质性、对比、ASM等

源代码

项目应用：K-最近邻算法分类器预测灰度共生矩阵

源代码

详情参阅 - 亚图跨际