图像纹理——灰度共生矩阵

最新推荐文章于 2020-10-27 13:42:03 发布
最新推荐文章于 2020-10-27 13:42:03 发布
阅读量1k 收藏 5
点赞数
分类专栏： 视觉算法
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/qq_30263737/article/details/80678500
版权

1.灰度共生矩阵生成原理

灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。

度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量：即：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。

本文是借用一篇文章的例子讲解灰度共生矩阵，用文字说明感觉说不清，自己之前用该方法做过实验，还是会忘，所以干脆用例子的方式介绍，下一次再看也容易理解。

在图像中任意一点（x,y）及偏离它的一点(x+a,y+b)(其中a，b为整数，认为定义)构成点对。设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种。对于整福图像，统计每一种(f1,f2)值出现的次数，然后排列成一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2)，由此产生的矩阵为灰度共生矩阵。

下图为一个简单的例子：



图a为原图像，最大灰度级为16。为表示方便，这里将灰度级数减小为4级，图a变为图b的形式。这样(f1,f2)取值范围便为[0,3]。取不同的间隔，将(f1,f2)各种组合出现的次数排列起来，就可得到图e~g所示的灰度共生矩阵。

图e表示图b中(x,y)与偏离它的(x+1,y+0)构成点对时，(f1,f2)取值的情况(填充黄色部分为f1取0，f2取1时的情况，由图b填充易知共10种)。同理，f,g分别表示图c，d中(x,y)分别于点(x+1,y+1),(x+2,y+0)构成的点对(f1,f2)出现的情况(图c填充黄色部分表示f1取0，f2取0时，对角线点对(0,0)出现的情况，共8种：图d填充黄色部分表示f1取0，f2取2时水平点对(0,2)出现的情况，共9种)。例如，对于a=1，b=0，点对中(0,1)的组合共出现了10次。对比可以看出，(0,1),(1,2),(2,3)和(3,0)均有较高的出现频数。图b表明，图像中存在明显的左上右下方向的纹理。

距离(a,b)的取值不同，灰度共生矩阵中的值不同。a和b的取值要根据纹理周期分布的特征来选择，对于较细的纹理，选取(1,0),(1,1),(2,0)等这样的值是有必要的。a,b取值较小对应于变化缓慢的纹理图像，其灰度共生矩阵对角线上的数值较大。纹理的变化越快，则对角线上的数值越小，而对角线两侧的值增大。

共生矩阵实际上是两个像素点的联合直方图，对于图像中细而规则的纹理，成对像素点的二维直方图倾向于均匀分布；对于粗而规则的纹理，则倾向于最对角分布。

2.灰度共生矩阵特征量

2.1对比度

度量 矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊。


2.2 能量

能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。


2.3 熵

图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。


2.4 逆方差

逆方差反映了图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较大，反之较小。


2.5相关性

用来度量图像的灰度级在行或列方向上的相似程度，因此值得大小反应了局部灰度相关性，值越大，相关性也越大。


[cpp]  view plain  copy
  1. #define GLCM_DIS 3  //灰度共生矩阵的统计距离    
  2. #define GLCM_CLASS 16 //计算灰度共生矩阵的图像灰度值等级化    
  3. typedef enum<span style="white-space:pre;"> </span>GLCM_ANGLE  
  4. {  
  5. <span style="white-space:pre;"> </span>GLCM_ANGLE_HORIZATION,  
  6. <span style="white-space:pre;"> </span>GLCM_ANGLE_VERTICAL,  
  7. <span style="white-space:pre;"> </span>GLCM_ANGLE_DIGONAL_45,  
  8. <span style="white-space:pre;"> </span>GLCM_ANGLE_DIGONAL_135  
  9. }GLCM_ANGLE;  
[cpp]  view plain  copy
  1.   
[cpp]  view plain  copy
  1. int CalGlCM(unsigned char* pImage,GLCM_ANGLE angleDirection,double* featureVector)  
  2. {    
  3.     int i,j;    
  4.     
  5.     if(NULL == pImage)    
  6.         return 1;    
  7.     
  8.     int * glcm = new int[GLCM_CLASS * GLCM_CLASS];    
  9.     int * histImage = new int[width * height];    
  10.     
  11.     if(NULL == glcm || NULL == histImage)    
  12.         return 2;    
  13.     
  14.     //灰度等级化---分GLCM_CLASS个等级    
  15.     for(i = 0;i < height;i++)  
  16.     {    
  17.         for(j = 0;j < width; j++)  
  18.     {    
  19.             histImage[i * width + j] = (int)(data[width*i+j] * GLCM_CLASS/256);    
  20.         }    
  21.     }    
  22.     
  23.     //初始化共生矩阵    
  24.     for (i = 0;i < GLCM_CLASS;i++)    
  25.         for (j = 0;j < GLCM_CLASS;j++)    
  26.             glcm[i * GLCM_CLASS + j] = 0;    
  27.     
  28.     //计算灰度共生矩阵    
  29.     int w,k,l;    
  30.     //水平方向    
  31.     if(angleDirection == GLCM_ANGLE_HORIZATION)    
  32.     {    
  33.         for (i = 0;i < height;i++)    
  34.         {    
  35.             for (j = 0;j < width;j++)    
  36.             {    
  37.                 l = histImage[i * width + j];    
  38.                 if(j + GLCM_DIS >= 0 && j + GLCM_DIS < width)    
  39.                 {    
  40.                     k = histImage[i * width + j + GLCM_DIS];    
  41.                     glcm[l * GLCM_CLASS + k]++;    
  42.                 }    
  43.                 if(j - GLCM_DIS >= 0 && j - GLCM_DIS < width)    
  44.                 {    
  45.                     k = histImage[i * width + j - GLCM_DIS];    
  46.                     glcm[l * GLCM_CLASS + k]++;    
  47.                 }    
  48.             }    
  49.         }    
  50.     }    
  51.     //垂直方向    
  52.     else if(angleDirection == GLCM_ANGLE_VERTICAL)    
  53.     {    
  54.         for (i = 0;i < height;i++)    
  55.         {    
  56.             for (j = 0;j < width;j++)    
  57.             {    
  58.                 l = histImage[i * width + j];    
  59.                 if(i + GLCM_DIS >= 0 && i + GLCM_DIS < height)     
  60.                 {    
  61.                     k = histImage[(i + GLCM_DIS) * width + j];    
  62.                     glcm[l * GLCM_CLASS + k]++;    
  63.                 }    
  64.                 if(i - GLCM_DIS >= 0 && i - GLCM_DIS < height)     
  65.                 {    
  66.                     k = histImage[(i - GLCM_DIS) * width + j];    
  67.                     glcm[l * GLCM_CLASS + k]++;    
  68.                 }    
  69.             }    
  70.         }    
  71.     }    
  72.     //对角方向    
  73.     else if(angleDirection == GLCM_ANGLE_DIGONAL)    
  74.     {    
  75.         for (i = 0;i < height;i++)    
  76.         {    
  77.             for (j = 0;j < width;j++)    
  78.             {    
  79.                 l = histImage[i * width + j];    
  80.     
  81.                 if(j + GLCM_DIS >= 0 && j + GLCM_DIS < width && i + GLCM_DIS >= 0 && i + GLCM_DIS < height)    
  82.                 {    
  83.                     k = histImage[(i + GLCM_DIS) * width + j + GLCM_DIS];    
  84.                     glcm[l * GLCM_CLASS + k]++;    
  85.                 }    
  86.                 if(j - GLCM_DIS >= 0 && j - GLCM_DIS < width && i - GLCM_DIS >= 0 && i - GLCM_DIS < height)    
  87.                 {    
  88.                     k = histImage[(i - GLCM_DIS) * width + j - GLCM_DIS];    
  89.                     glcm[l * GLCM_CLASS + k]++;    
  90.                 }    
  91.             }    
  92.         }    
  93.     }    
  94.     
  95.     //计算特征值    
  96.     double entropy = 0,energy = 0,contrast = 0,homogenity = 0;    
  97.     for (i = 0;i < GLCM_CLASS;i++)    
  98.     {    
  99.         for (j = 0;j < GLCM_CLASS;j++)    
  100.         {    
  101.             //熵    
  102.             if(glcm[i * GLCM_CLASS + j] > 0)    
  103.                 entropy -= glcm[i * GLCM_CLASS + j] * log10(double(glcm[i * GLCM_CLASS + j]));    
  104.             //能量    
  105.             energy += glcm[i * GLCM_CLASS + j] * glcm[i * GLCM_CLASS + j];    
  106.             //对比度    
  107.             contrast += (i - j) * (i - j) * glcm[i * GLCM_CLASS + j];    
  108.             //一致性    
  109.             homogenity += 1.0 / (1 + (i - j) * (i - j)) * glcm[i * GLCM_CLASS + j];    
  110.         }    
  111.     }    
  112.     //返回特征值    
  113.     i = 0;    
  114.     featureVector[i++] = entropy;    
  115.     featureVector[i++] = energy;    
  116.     featureVector[i++] = contrast;    
  117.     featureVector[i++] = homogenity;    
  118.     
  119.     delete[] glcm;    
  120.     delete[] histImage;    
  121.     return 0;    
  122. }    

Ring__Rain
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
灰度共生矩阵
AI.PLAY
03-31 915
简述 由于纹理是有灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 计算灰度共生矩阵（GLCM） GLCM为图像I的灰度共生矩阵，它是通过统计灰度i与灰度j在图像I中的相邻次数而得到的，记为GLCM（i，j）。 函数 glcms = gra...
政务逻辑数据模型（GLDM）
12-03
跨层级、跨地域、跨系统、跨部门、跨业务的政务逻辑数据模型（GLDM）是衔接块数据理论体系和目前各省市区大规模开展的数据采集、共享、整合、集中、开放等实践的工程指南，也是省市区数据资源库（数据湖）建设的方法论，涵盖以ER模型表达的逻辑数据模型（LDM）及相应的概念数据模型和物理数据模型的指导建议、数据资源库建设与数据元表达的标准与规范、数据建模、建库、整合、清洗的开发环境与工具集、数据资源库建设与管理的最佳实践。
纹理特征提取方法——灰度共生矩阵(GLCM )
Petrichoryi的博客
04-22 3万+
灰度共生矩阵(Grey Level Co-occurrence Matrix)也叫做空间灰度级依赖矩阵(SGLDM),它是一种基于统计的纹理提取的方法。
图像的纹理特征之灰度共生矩阵
weixin_30855099的博客
07-06 1592
（黑灯瞎火好干事。。。。。。。来源一） 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 Gray-level co-occurrence matrix from an image 图像的灰度共生矩阵灰度共生矩阵是像素距离和角度的矩阵函...
纹理特征分析的灰度共生矩阵（GLCM）
热门推荐
lskyne的专栏
03-11 7万+
纹理分析是对图像灰度（浓淡）空间分布模式的提取和分析。纹理分析在遥感图像、X射线照片、细胞图像判读和处理方面有广泛的应用。关于纹理，还没有一个统一的数学模型。它起源于表征纺织品表面性质的纹理概念，可以用来描述任何物质组成成分的排列情况，例如医学上X 射线照片中的肺纹理、血管纹理、航天(或航空)地形照片中的岩性纹理等。图像处理中的视觉纹理通常理解为某种基本模式（色调基元）的重复排列。因此描述一种纹理
基于灰度共生矩阵的图象纹理分析
12-30
基于灰度共生矩阵的图象纹理分析，张鹤，，本文重点运用统计分析方法中的灰度共生矩阵方法对图像进行纹理分析，通过对多种地物图像进行试验，分析研究其结果，得到各类地物
图像纹理特征——基于灰度共生矩阵
qingfenglu的专栏
12-04 3001
图像局部纹理特征——GLCM（Grey-Level Co-occurrence Matrix） 潘凌昀关注 0.0782017.06.02 12:38:57字数 891阅读 4,692 本文参考自OpenCV22（灰度共现矩阵/灰度共生矩阵） 一、什么是灰度共生矩阵（Grey-Level Co-occurrence Matrix） 一种描述图像局部区域或整体区域的某像素与相邻...
图像纹理特征的提取—灰度共生矩阵GLCM
雪月的博客
10-27 1万+
参考文献： https://blog.csdn.net/qq_36654309/article/details/106527876?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242 https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71552744 https://baike.baidu.com/item/%E7%81%.
灰度共生矩阵（原创）
11-26
GLCM综合反映了图像的灰度信息，例如等级、方向、步骤和改变范围，也能用共生矩阵求出的参数直观的描述图像的纹理状况。
提取图像纹理特征——灰度共生矩阵.doc
10-06
提取图像纹理特征——灰度共生矩阵.doc
提取图像纹理特征——灰度共生矩阵.docx
09-28
提取图像纹理特征——灰度共生矩阵.docx
MATLAB 灰度共生矩阵特征提取
09-22
很好的灰度共生矩阵特征提取MATLAB代码，实用，得到了灰度共生矩阵各个特征的值。
灰度共生矩阵提取图像纹理特征
01-16
灰度共生矩阵提取图像纹理特征，采用matlab实现，包括模糊c均值实现分类。代码完整，正确可运行。
纹理——灰度共生矩阵公式及代码
weixin_43897736的博客
08-27 3985
灰度共生矩阵（Grey-Level Co-occurence Matrix，GLCM）被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。 对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。 统计量：Ha...
c++提取纹理特征灰度共生矩阵
最新发布
01-09
灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）是用于提取图像纹理特征的一种常用方法。其原理是通过统计图像中每个像素与其邻近像素之间的灰度值关系，来描述图像中不同位置处像素之间的相对位置关系。 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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