纹理特征二:GLRLM--灰度行程矩阵

纹理特征二:GLRLM–灰度行程矩阵

1. GLCM 的解释与计算

GLRLM,全程 gray-level run-length matrix,这里翻译为 灰度形成矩阵。
概念描述: 灰度共生矩阵用于描述图像某一像素值 i i i沿某一方向 θ \theta θ连续相邻为 j j j的个数,记GLRLM中一个值为 D ( i , j , θ ) D(i,j,\theta) D(i,j,θ),其中 i i i是像素值或灰度值, j j j是连续相邻数, θ \theta θ是角度或方向,一般 θ \theta θ的值为 0 o , 4 5 o , 9 0 o , 13 5 o 0^o,45^o,90^o,135^o 0o,45o,90o,135o
举例说明: 下图图(a)表示一副图像的灰度值,因为 4 × 4 4 \times 4 4×4矩阵,故在 0 o 0^o 0o方向上某元素最大连续相邻数只能为4。

  • 对于灰度值0,在该方向上,1个0连续相邻的情况为1,2个0连续相邻的情况为2,没有3个和4个0相邻的情况,故0元素的行程向量为 [ 1 , 2 , 0 , 0 ] [1,2,0,0] [1,2,0,0]
  • 对于灰度值1,在该方向上,1个1连续相邻的情况为0,2个1连续相邻的情况为2,3个1相邻的情况为0,4个1连续相邻的情况为0,所以1元素的行程向量为 [ 0 , 2 , 0 , 0 ] [0,2,0,0] [0,2,0,0];
  • 对于灰度值2,在该方向上,1个2连续相邻的情况为0,2个2连续相邻的情况为1,3个2相邻的情况为1,4个2连续相邻的情况为0,所以2元素的行程向量为 [ 0 , 1 , 1 , 0 ] [0,1,1,0] [0,1,1,0];
  • 对于灰度值3,在该方向上,1个3连续相邻的情况为0,2个3连续相邻的情况为2,3个2相邻的情况为0,4个3连续相邻的情况为0,所以3元素的行程向量为 [ 0 , 1 , 1 , 0 ] [0,1,1,0] [0,1,1,0]

所以,在 0 o 0^o 0o方向上的GLRLM为: [ [ 1 , 2 , 0 , 0 ] , [ 0 , 2 , 0 , 0 ] , [ 0 , 1 , 1 , 0 ] , [ 0 , 1 , 1 , 0 ] ] [ [1,2,0,0], [0,2,0,0], [0,1,1,0], [0,1,1,0] ] [[1,2,0,0],[0,2,0,0],[0,1,1,0],[0,1,1,0]]
0 o , 9 0 o , 13 5 o , 4 5 o 0^o,90^o,135^o,45^o 0o,90o,135o,45o方向上的GLRLM分别如图(b ),(c ),(d ), (e )所示。

在这里插入图片描述

2.GLRLM计算得到的纹理特征

像素值(灰度值)为 i i i,连续相邻数 j j

  • 7
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 好的,下面是一个简单的示例代码,用于计算一张图像的灰度共生矩阵,并从中提取纹理特征。请注意,这只是一个基本的示例,您可以根据需要进行修改和优化。 ```python import cv2 import numpy as np # 读取图像并转换为灰度图像 img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE) # 计算灰度共生矩阵 gray_co_mat = cv2.calcGLCM(img, [0], None, levels=256, symmetric=False, normed=True) # 提取纹理特征 contrast = cv2.compareHist(gray_co_mat, cv2.normalize(gray_co_mat, None), cv2.HISTCMP_CONTRAST) energy = cv2.compareHist(gray_co_mat, cv2.normalize(gray_co_mat, None), cv2.HISTCMP_ENERGY) homogeneity = cv2.compareHist(gray_co_mat, cv2.normalize(gray_co_mat, None), cv2.HISTCMP_INTERSECT) # 输出结果 print('Contrast:', contrast) print('Energy:', energy) print('Homogeneity:', homogeneity) ``` 在这个示例中,我们首先使用`cv2.imread`函数读取一张图像,并使用`cv2.IMREAD_GRAYSCALE`参数将其转换为灰度图像。然后,我们使用`cv2.calcGLCM`函数计算灰度共生矩阵。该函数的第一个参数是输入图像,第个参数是通道,这里我们只使用了一个灰度通道,因此将其设置为`[0]`。第三个参数是掩码图像,这里我们没有使用掩码,因此将其设置为`None`。levels参数指定灰度级别的数量,symmetric参数指定共生矩阵是否对称,normed参数指定是否对共生矩阵进行归一化。 然后,我们使用`cv2.compareHist`函数从灰度共生矩阵提取纹理特征。该函数的第一个参数是要比较的直方图,第个参数是参考直方图,第三个参数是比较方法。在这个示例中,我们使用了三种不同的比较方法:`cv2.HISTCMP_CONTRAST`、`cv2.HISTCMP_ENERGY`和`cv2.HISTCMP_INTERSECT`。这些方法都可以用于提取纹理特征,但它们各自关注不同的特征。 最后,我们输出了计算得到的纹理特征值。您可以根据需要使用这些特征来描述图像的纹理。 ### 回答2: 编写通过灰度共生矩阵计算纹理特征的代码使用Python-OpenCV可以按以下步骤进行: 1. 导入所需的库: ``` import cv2 import numpy as np from skimage.feature import greycomatrix, greycoprops ``` 2. 读取图像并转换为灰度图像: ``` image = cv2.imread("image.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) ``` 3. 计算灰度共生矩阵及其特征: ``` distances = [1] # 距离范围 angles = [0, np.pi/4, np.pi/2, 3*np.pi/4] # 方向范围 glcm = greycomatrix(gray, distances, angles, levels=256, symmetric=True, normed=True) contrast = greycoprops(glcm, 'contrast') dissimilarity = greycoprops(glcm, 'dissimilarity') homogeneity = greycoprops(glcm, 'homogeneity') energy = greycoprops(glcm, 'energy') correlation = greycoprops(glcm, 'correlation') ASM = greycoprops(glcm, 'ASM') ``` 4. 打印特征值: ``` print('Contrast:', contrast) print('Dissimilarity:', dissimilarity) print('Homogeneity:', homogeneity) print('Energy:', energy) print('Correlation:', correlation) print('ASM:', ASM) ``` 完整代码如下: ```python import cv2 import numpy as np from skimage.feature import greycomatrix, greycoprops # 读取图像并转换为灰度图像 image = cv2.imread("image.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 计算灰度共生矩阵及其特征 distances = [1] # 距离范围 angles = [0, np.pi/4, np.pi/2, 3*np.pi/4] # 方向范围 glcm = greycomatrix(gray, distances, angles, levels=256, symmetric=True, normed=True) contrast = greycoprops(glcm, 'contrast') dissimilarity = greycoprops(glcm, 'dissimilarity') homogeneity = greycoprops(glcm, 'homogeneity') energy = greycoprops(glcm, 'energy') correlation = greycoprops(glcm, 'correlation') ASM = greycoprops(glcm, 'ASM') # 打印特征值 print('Contrast:', contrast) print('Dissimilarity:', dissimilarity) print('Homogeneity:', homogeneity) print('Energy:', energy) print('Correlation:', correlation) print('ASM:', ASM) ``` 请注意,在使用此代码之前,您需要确保已安装OpenCV和scikit-image库。并将"image.jpg"替换为您自己的图像文件路径。

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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