Python - pyradiomics - 邻域灰阶依赖性矩阵（Neighboring Gray Level Dependence Matrix）

有关邻域灰阶依赖性矩阵（Neighboring Gray Level Dependence Matrix, NGLDM）的一切的起源：

Sun C, Wee WG. Neighboring Gray Level Dependence Matrix for Texture Classification. Comput Vision, Graph Image Process. 1983;23:341-352

参考文件：

https://pyradiomics.readthedocs.io/en/latest/features.html#module-radiomics.gldm

理论

对于两个像素依赖性的判断，是基于他们的距离和他们像素值的差异得到的。对于某一个像素点，其像素值为L0，在与它距离delta范围内的像素中，如果某个像素点的像素值L1与它相差不超过alpha，则判断周围像素L1依赖于中心像素L0，即
$$L1isdependentonL0if|L1-L0|\le \alpha$$
在pyradiomics源码中，delta默认取值为1，alpha默认取值为0，即中心像素点周围8个像素（或26个像素）中，和中心像素值相同的，判断为依赖于中心像素。

以一个二维图像 I 为例：

它的NGLDM为：

以第五行为例，4和2表示在像素值等于从小到大第五个像素值的像素中，有4个像素周围没有和自己相同的像素，有2个像素周围有一个和自己相同的像素。
设行数为i，列数为j，图像中灰阶构成一维数组N_g，P(i, j)表示像素值等于N_g(i)、周围有j-1个依赖像素的像素的个数。

Python实操

创建图像矩阵

import numpy as np

img_array = np.array([
[5, 2, 5, 4, 4, 6, 8], 
[3, 3, 3, 1, 3, 2, 5], 
[2, 1, 1, 2, 6, 1, 3], 
[4, 2, 2, 1, 8, 2, 3], 
[3, 5, 1, 2, 3, 3, 2], 
[5, 2, 8, 3, 4, 1, 6], 
[2, 6, 2, 6, 3, 5, 2]
])

计算NGLDM的第一步，是将所有像素值从小到大排列，获得每个像素值的索引，I 中没有像素值为7的点，因此像素值为8的点的索引值是第7个：

grey_levels = np.unique(img_array)
grey_levels_rank = dict(zip(grey_levels, range(len(grey_levels))))
print(grey_levels)
print(grey_levels_rank)
'''
[1 2 3 4 5 6 8]
{1: 0, 2: 1, 3: 2, 4: 3, 5: 4, 6: 5, 8: 6}
'''

初始化NGLDM矩阵

dimension = 2
NGLDM = np.zeros((len(grey_levels_rank), 3 ** dimension))
print(NGLDM.shape)
'''
(7, 9)
'''

开始填充NGLDM矩阵，不追求速度的方法，就是从(1, 1)点开始遍历每个像素值Li，先求的它周围的像素点的坐标，然后计算有多少个依赖于它n，然后在NGLDM第i行第n列处+1

设一个点坐标为(x, y)，那在二维平面内，它周围delta = 1的点为：

定义一个能返回周围像素点坐标的函数

def surrounding_2d(x, y):
	surroundings = [
	(x - 1, y - 1), (x, y - 1), (x + 1, y - 1), 
	(x - 1, y), (x + 1, y), 
	(x - 1, y + 1), (x, y + 1), (x + 1, y + 1)
	]
	return surroundings
#也可以用numpy.meshgrid()来做

开始遍历：

alpha = 0
for x in range(img_array.shape[0]):
	for y in range(img_array.shape[1]):
		dependence = 0
		for (x_s, y_s) in surrounding_2d(x,y):
			if (0 <= x_s < img_array.shape[0]) and (0 <= y_s < img_array.shape[1]):#坐标值在边缘内
				if abs(img_array[x_s, y_s] - img_array[x, y]) <= alpha:#依赖性判断
					dependence += 1
		NGLDM[grey_levels_rank[img_array[x, y]], dependence] += 1

然后就得到NGLDM了~

print(NGLDM)
'''
[[2. 3. 1. 1. 0. 0. 0. 0. 0.]
 [3. 7. 2. 1. 0. 0. 0. 0. 0.]
 [2. 4. 5. 0. 0. 0. 0. 0. 0.]
 [2. 2. 0. 0. 0. 0. 0. 0. 0.]
 [4. 2. 0. 0. 0. 0. 0. 0. 0.]
 [5. 0. 0. 0. 0. 0. 0. 0. 0.]
 [3. 0. 0. 0. 0. 0. 0. 0. 0.]]
'''