灰度梯度共生矩阵_纹理分析：浅显易懂地解释灰度共生矩阵与Haralick特征

Haralick特征从统计角度描述图像的纹理。要理解Haralick特征，首先要理解灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）。左图是一个3x3的单通道像素图，图中的数字1、2、3代表相应的像素值。我们考虑从左到右两个相邻格子的计数，并且在右图的表格中进行统计。

举个例子，左图中（1，2）相邻的情况出现了一次，那么对应的右表中第1列第2行的格子记为1。再举个例子，左图中（2，2）相邻的情况出现了一次，那么对应的右表中第2列第2行的格子记为2。为了避免大家没弄懂，我再举个例子，左图中（2, 3）相邻的情况一次也没有出现，那么对应的右表中第2列第3行的格子记为0。

现在再看灰度矩阵的定义是不是很好理解了？以矩阵中的第一个元素p(1, 1)为例，它代表从左到右（1，1）相邻的次数除以所有矩阵中总次数的频数结果。比如这个（1，1）出现的次数为5，整个矩阵的计数总和为100，那么这个元素的值就是0.05。