灰度共生矩阵GLCM

灰度共生矩阵GLCM主要用来描述图像的纹理特征

文章《灰度共生矩阵GLCM分析》提到，图像纹理分析主要有2种

• 统计纹理分析
  寻找刻画纹理的数字特征，一般方法有自相关函数、GLCM、灰度游程等
• 结构纹理分析
  研究组成纹理的基元（单个像素或像素集合）和他们的排列规则，常用树文法

---

GLCM概念

参考文章《图像特征提取——灰度共生矩阵（GLCM）》
像素灰度在空间位置上的反复出现形成图像纹理，GLCM描述具有某种空间位置关系的两个像素灰度的联合分布

举个简单例子来说明：
假设图像灰度为{0，1，2}，某张图像灰度如图1所示

　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　图1. 尺寸6*6，灰度级为3的图像

现在仅考虑水平方向相邻像素的关系，得GLCM

$$P_{\delta}=\left[\begin{matrix}0&10&10\\10&0&10\\10&10&0\end{matrix}\right],\delta=(\pm1,0)$$
其中 $P_{\delta}(i,j)$ 表示原图中水平方向相邻两个像素值为 $i$ 和 $j$ 的模式对有多少
比如 $P_{\delta}(1,2)=10$ 表示逐行扫描，相邻像素模式对为 1,2 的一共出现了10次

一般意义上，GLCM会考虑不同方向 $\theta$ （0，45，90，135）和间距 $d$
$P(i,j|\theta,d)$ 表示在方向 $\theta$ 和间距 $d$ 的前提下，模式对 $i,j$ 出现的概率
因此上面的 $P_{\delta}(1,2)=10$ 等价为 $P(1,2|0,1)=\frac{10}{2*5*6}=\frac{1}{6}$

---

GLCM特征

反差/对比度

反映了图像的清晰度和纹理的深浅，纹理越深，反差越大

$$Con=\sum_i\sum_j(i-j)^2P(i,j)$$

能量

反映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规则变化的

$$Asm=\sum_i\sum_jP(i,j)^2$$

熵

是图像包含信息量的随机性度量，纹理越复杂熵越大

$$Ent=-\sum_i\sum_jP(i,j)logP(i,j)$$

相关性/同质性

反映了图像局部灰度相关性

$$IDE=\sum_i\sum_j\frac{P(i,j)}{1+(i-j)^2}$$

---

GLCM计算

Halcon：cooc_feature_image
OpenCV：cvCreateGLCM，但貌似会有内存泄漏的问题

---