GLCM 灰度共生矩阵

关于GLCM的理解:

        通过计算灰度图像得到它的共生矩阵，然后透过计算这个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、变化幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础。

        灰度共生矩阵是一种对图像处理进行定量描述的方法。灰度共生矩阵是图像中相距为D的两个灰度像素同时出现的联合概率分布。共生矩阵方法用条件概率来反映文理，是相邻像素的灰度相关性的表现。.

得到共生矩阵后如何操作:

        在计算得到共生矩阵之后，往往不是直接应用计算的灰度共生矩阵，而是在此基础上计算纹理特征量，我们经常用反差、能量、熵、相关性等特征量来表示纹理特征。

        (1) 反差：又称为对比度，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。 

        (2) 能量：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。          

        (3) 熵：是图像包含信息量的随机性度量。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。             

        (4) 相关性：也称为同质性，用来度量图像的灰度级在行或列方向上的相似程度，因此值的大小反应了局部灰度相关性，值越大，相关性也越大。

基本原理图:

        左侧是一个图像，可以看出最小的灰度级别是1，最大的灰度级别是8，共有8个灰度级别。右侧对应的灰度共生矩阵，左上角第一行与第一列的坐标(1, 1)包含值1，原因在于水平方向上，相距一个像素值，当前像素跟水平右侧相邻像素只有一个是1、1相邻的像素值(灰度级别)对；右侧共生矩阵的原始(1, 2) = 2 说明在像素矩阵中有两个像素值1，2相邻的像素点对、以此类推得到完整的右侧灰度共生矩阵。根据当前像素跟相邻像素位置不同，可以计算得到不同的共生矩阵，同时根据像素之间的距离不同会输出不同灰度共生矩阵。总结来说，有如下四种不同角度的灰度共生矩阵：

        根据相邻像素点之间距离参数D不同可以得到不同距离的GLCM。此外对正常的灰度图像来说，最小灰度值为0，最大的灰度值为255，共计256个灰度级别，所以GLCM的大小为256x256，但是我们可以对灰度级别进行降维操作，比如可以每8个灰度值表示一个level，这样原来256x256大小的共生矩阵就可以改成256/8 * 256 /8 = 32x32的共生矩阵。所以最终影响灰度共生矩阵生成有三个关键参数：

        角度 (支持0、45、90、135)

        距离（大于等于1个像素单位）

        灰度级别(最大GLCM=256 x 56)

具体示例:

假设原图像

对应的灰度值

对灰度等级进行压缩（256 -> 3）

可以知道，这个图像的灰度是3阶，也就是说，我们的GLCM，是3阶方阵（GLCM的阶数等于灰度的等级数）

δ：表示像素对的位置关系（两个像素相对位置关系，分为水平、垂直，+45，-45）

i、j：分别表示两个像素的灰度等级；

n(i, j)：表示灰度等级i和j的像素对，在δ定义的位置关系下，出现的次数

比如n(0,0)，δ定义为水平，(0,0)像素对水平排列在灰度图中出现的次数为“0”

比如n(0,1)，δ定义为水平，(0,1)像素对水平排列在灰度图中出现的次数为“12”

如图：

即最后得到的GLCM 如下（注意 (2,0), (1, 2) 水平出现的次数也为12）：