c++gdal如何在大图像中截取小图像并获取其图像信息_提取图像的颜色、纹理特征(传统算法)...

Python-Image-feature-extraction

Python实现提取图像的纹理、颜色特征，包含快速灰度共现矩阵（GLCM）、LBP特征、颜色矩、颜色直方图。

1044197988/Python-Image-feature-extraction​github.com

原始图片

这里拿高光谱影像图片作为示例，图片大小为512*512。

原始图片

一、纹理特征

1、GLCM

灰度共生矩阵法(GLCM， Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。

numpy的快速灰度共现矩阵（GLCM）。

import fast_glcm
from skimage import data

if __name__ == '__main__':
    img = data.camera()
    glcm_mean = fast_glcm.fast_glcm_mean(img)

以上图片标题代表的含义：

（1）均值（Mean）

（2）标准差（Std）

（3）对比度(Contrast)

对比度反应了图像的清晰度和纹理的沟纹深浅。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，效果清晰；反之，对比值小，则沟纹浅，效果模糊。
反应某像素值及其领域像素值亮度的对比情况，图像亮度值变化快，换句话说纹理较深，它的对比度就越大，也就是它的纹理越清晰。

（4）相异性（Dissimilarity）

计算对比度时，权重随矩阵元素与对角线的距离以指数方式增长，如果改为线性增长，则得到相异性。

（5）同质性/逆差距（Homogeneity）

测量图像的局部均匀性，非均匀图像的值较低，均匀图像的值较高。与对比度或相异性相反，同质性的权重随着元素值与对角线的距离而减小，其减小方式是指数形式的。

（6） 角二阶矩 / 能量（ ASM）

灰度共生矩阵（ grey level co-occurrence matrix，GLCM）用来描述图像灰度分布的均匀程度和纹理的粗细程度。
如果 GLCM 的所有值都非常接近，则 ASM 值较小； 如果矩阵元素取值差别较大，则 ASM 值较大。当 ASM 值较大时，纹理粗，能量大； 反之，当 ASM 值小时，纹理细，能量小。

（7）能量(Energy)

是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理。更高的值==纹理均匀性。

（8）熵（Entropy)

测量图像纹理的随机性（强度分布）。熵是图像包含信息量的随机性度量，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；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。
表示矩阵中元素的分散程度，也表示图像纹理的复杂程度。

（9）最大概率（Maximum probability）

表示图像中出现次数最多的纹理特征。

2、LBP

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子，具有多分辨率、灰度尺度不变、旋转不变等特性。主要用于特征提取中的纹理提取。

获取图像的LBP特征：对图像的原始LBP模式、等价LBP模式、旋转不变LBP模式，以及等价旋转不变LBP模式的LBP特征进行提取以及显示。
get_LBP_from_Image.py 主要文件 获取图像的LBP特征。
get_resolve_map.py和get_uniform_map.py主要是做降维后新的像素值的映射。已经将求出的结果写入了get_LBP_from_Image.py中，这两个主要是帮助理解算法降维后新的像素值怎么得到的。

LBP

二、颜色特征

1、颜色矩

颜色是彩色图像最重要的内容之一，被广泛用于图像检索中。但从图像中提取颜色特征时，很多算法都先要对图像进行量化处理。量化处理容易导致误检，并且产生的图像特征维数较高，不利于检索。AMA Stricker和M Orengo提出了颜色矩的方法，颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值,mean)、二阶矩(方差, variance)和三阶矩(斜度,skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低；但实验发现该方法的检索效率比较低，因而在实际应用中往往用来过滤图像以缩小检索范围。

2、颜色直方图

颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。

细分：

颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是RGB颜色空间，原因在于大部分的数字图像都是用这种颜色空间表达的。然而，RGB空间结构并不符合人们对颜色相似性的主观判断。因此，有人提出了基于HSV空间、Luv空间和Lab空间的颜色直方图，因为它们更接近于人们对颜色的主观认识。其中HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value）。

参考文献：

https://blog.csdn.net/lovebyz/article/details/84032927​blog.csdn.net