灰度共生矩阵学习记录

文章参考博客：1.https://blog.csdn.net/u014488388/article/details/52877710

                         2.https://blog.csdn.net/qq_37059483/article/details/78292869

                         3.https://www.cnblogs.com/-wenli/p/11734808.html

1.灰度共生矩阵定义（百度百科）：取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k^2;种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b） 取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。　　当 a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当 a=-1，b=-1时，像素对是左对角线，即135度扫描。
这样，两个象素灰度级同时发生的概率，就将 （x，y）的空间坐标转化为“灰度对” （g1，g2）的描述，形成了灰度共生矩阵。

2.灰度共生矩阵特点：1）一种通过研究灰度空间相关特性来描述纹理的常用方法。

                                   2）灰度直方图是对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的                                           状况进行统计得到的。

                                   3）一种统计了图像上相隔某个距离的像素点对儿所具有的灰度对儿出现的频率情况。

3.计算灰度共生矩阵：

灰度共现矩阵是方阵，矩阵的行数是图像灰度的等级。

灰度共生矩阵计算方法示意图

图中红框框出来的灰度共生矩阵中的值计算的是定义中图像中点（x,y）以及偏移它的点（x+a,y+b）(此处a=1,b=0，计算的是水平相邻)，该点对的灰度阶值为（0，1）的个数。（此处计算的是水平灰度共生矩阵）
4.灰度共生矩阵特征(具体公式参考链接3)

由于灰度共生矩阵的维度很大，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。常使用的特征有：

1.角二阶距：它是图像灰度分布均匀程度和纹理粗细的一个度量，反映了图像灰度分布均匀程度和纹理粗细度。当图像纹理均一规则时，值较大；反之灰度共生矩阵的元素值相近，值较小。

2.熵：它度量了图像包含信息量的随机性，表现了图像的复杂程度。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。

3.对比度：对比度反应了图像的清晰度和纹理的沟纹深浅。纹理越清晰反差越大对比度也就越大。

4.反差分矩阵（Inverse Differential Moment, IDM)：反差分矩阵又称逆方差，反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大。

5.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。

6.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

7.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。

5.代码

 链接2中给出详细代码。

 

 

 

文中若有不妥或错误之处，还望指出！