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。
![531f6c395e2ce415fe71db48b797078d.png](https://i-blog.csdnimg.cn/blog_migrate/0aeecbe958cd1d79906f280492377f98.jpeg)
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。