灰度共生矩阵（gray-level co-occurrence matrix，GLCM）

一、简介
GLCM通过衡量具有某种空间关系（角度、位移距离）的两个特定像素值关系的像素出现的频率，来进行纹理分析，后续量化是通过基于GLCM（它就是一个矩阵）的特征完成。为什么叫co-occurrence，就是因为是两个像素点之间的关系。
二、介绍

由上图，在输出GLCM中，元素（1,1）包含值1，因为在输入图像中只有一个实例，其中两个水平相邻的像素分别具有值1和1。 glcm（1,2）包含值2，因为有两个实例，其中两个水平相邻的像素具有值1和2.GLCM中的元素（1,3）具有值0，因为没有两个水平相邻像素的实例值为1和3。

上图说明了不同偏移方向与距离的像素之间的空间关系，其中D表示两两像素的距离。
为什么具有纹理提取的功能呢？我们举下面的例子。

这个块我们可以看作边缘块，其像素变化比较剧烈，可以看出其GLCM对角线上元素为0，表示1->1，2->2，3->3，4->4的变化较少，即图像缺少渐变部分，也即图像没有平滑部分。而GLCM中较大值出现在副对角上，说明较多的是出现0->3，3->0这种剧烈的变化，即图像边缘部分较多。

这个块相对于上图就相对平滑，所以其特性与上分析相反。

三、基于GLCM的特征
1、熵

熵本身是对图像包含信息量的随机性度量，熵值表明了图像灰度分布的复杂度。当GLCM的熵越大时，说明出现了很多样的像素间的空间关系，那么图像越复杂。
2、对比度

对比度衡量GLCM的元素分布特征，即原始图像变化特征。其反应了图像清晰度（也可以衡量边缘出现的频率，因为图像中有较多边缘的时候，相对纹理多的图像显得更”清晰“）。那么对比度越大，说明图像越清晰（边缘越多）。