灰度共生矩阵特征分析法
相邻某一间隔长度的两个像素,它们之间要么具有相同的灰度级,要么具有不同的灰度级,若能找出这样两个像素的联合分布的统计形式,对于图像的纹理分析很有意义。
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。
灰度共生矩阵被定义为从图像中每一个灰度为i的像素点出发,离开某个固定位置(相隔距离为d,方位为0度、45度、90度等),正好灰度值为j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。
这里:
1.从哪个灰度级i出发,人为指定。
2.相隔距离与方向也人为指定,方向可以通过[0 d]来指定。
0度: [0 d]
45度: [-d d]
90度: [-d 0]
135度: [-d -d]
3.另一个灰度级j也人为指定。
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