灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM），矩阵的特征量

又叫作灰度共现矩阵

Prerequisites

概念

计算方式

对于精度要求高且纹理细密的纹理分布，咱们取像素间距为d=1d=1，如下是方向的说明：

咱们来看，matlab内置工具箱中的灰度共生矩阵的生成函数graycomatrix（gray-level co-occurrence matrix）对方向的说明：

 

 

 

如上图所示，方向是在每个像素点（pixel of interest）的邻域（固然，边界点除外）中得到的，只不过这里的坐标系变为了：

 

 

 

• δ=(0,±1)δ=(0,±1)为水平方向扫描，也即θ=0∘orθ=180∘θ=0∘orθ=180∘；
• δ=(±1,0)δ=(±1,0)为垂直扫描（θ=90∘orθ=−90∘θ=90∘orθ=−90∘）；
• δ=(1,−1),δ=(−1,1)δ=(1,−1),δ=(−1,1)是−45∘−45∘或135∘135∘扫描；
• δ=(1,1),δ=(−1,−1)δ=(1,1),δ=(−1,−1)是45∘45∘扫描。

一旦像素间距离dd以及像素间空间位置关系δδ肯定，便可生成灰度共生矩阵。

GLCM所表示的是纹理图像的某些统计特性，所谓统计，通俗地讲就是累计某种状况出现的次数，用这一次数除以总的状况数，便可得其统计意义上的几率。

咱们来统计灰度级2与2在-45度和135度方向上（也即δ=(1,−1)δ=(1,−1)或者δ=(−1,1)δ=(−1,1)）出现的次数，如图所示，共出现九次，在两个方向上便是18次。

 

 

 

 

 

 

matlab

matlab相关工具箱函数

使用灰度共生矩阵（GLCM）描述和提取图像纹理特征，是一个强大且流行的工具，天然matlab工具箱会提供相应的函数——graycomatrix：

给出一个图像矩阵，设置一些参数，获得其灰度共生矩阵，这就是函数的基本用法：

[glcm, SI] = graycomatrix(I, ...)

• 1

主要的参数有二个，分别是

1. NumLevels（灰度级数）

最终glcm的size是NumLevels*NumLevels

1. Offset（方向[0, 1; -1, 1; -1, 0; -1, -1]）：

[0, 1]中的1表示的偏移数（offset），固然也能够取2或者更多，如上文所说，对于精度要求高且图像纹理自己即很丰富的图像来讲，为了更精细地刻画，咱们取偏移量（offset）为1。

咱们将原始I转换为SI，对SI计算GLCM，SI中元素的值介于[1, NumLevels]之间。

I = [ 1 1 5 6 8 8; 2 3 5 7 0 2; 0 2 3 5 6 7 ]; [glcm, SI] = graycomatrix(I, 'NumLevels', 9, 'G', []) % 'Offset'的default值为`[0, 1]`

 

 

glcm = 0 0 2 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 SI = 2 2 6 7 9 9 3 4 6 8 1 3 1 3 4 6 7 8

 

demo

这里先写一个demo，稍微有点难懂的地方在于灰度共生矩阵的计算方式，而后是一些编程上的循环判断。其余方向的状况还未考虑（在第三和第四层循环的地方可能会略有不一样），以及将其封装成一个函数的操做仍是留待之后吧：

clear, clc
P = [ 0 1 2 0 1 2 1 2 0 1 2 0 2 0 1 2 0 1 0 1 2 0 1 2 1 2 0 1 2 0 2 0 1 2 0 1]; [r, c] = size(P); P_u = unique(P); % 去重，获得全部的灰度级 n = length(P_u); % 不一样灰度级的个数 G = zeros(n, n); % 初始化灰度共生矩阵为全0矩阵， %% 四层循环，最外层的两层循环用来为GLCM的各个位置赋值 % 内层的两层循环时遍历原始图像矩阵，累计符合某一对应关系的的状况出现的次数 for p = 1:n, for q = 1:n, cnt = 0; % GLCM刻画的是灰度图像像素的统计特性，在matlab中经过次数的统计计算获得 for i = 1:r, for j = 1:c, if (j+1) <= c && ((P(i, j) == p && P(i, j+1) == q) || P(i, j) == q && P(i, j+1) == p), cnt = cnt + 1; end end end G(p, q) = cnt; end end G 

 

References

[1] <图像特征提取——灰度共生矩阵（GLCM）>

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处连接和本声明。

本文连接： https://blog.csdn.net/lanchunhui/article/details/49903791

---

矩阵的特征量：
从灰度共生矩阵上能够简单的看出，若是对角附近的元素有较大的值，说明图像的像素具备类似的像素值，若是偏离对角线的元素会有比较大的值，说明像素灰度在局部有较大变化。为了获得更多的纹理特征，咱们还须要在进行计算：

对比度）（或反差）（contrast）：

纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，con越大。因此con越大图像越清晰

 

 

 

相关度（inverse different moment）：

度量空间灰度共生矩阵元素在行或列方向上的类似程度，所以，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大;相反，若是矩阵像元值相差很大则相关值小。

 

 

 

能量：是灰度共生矩阵元素值的平方和，因此也称之为能量，反映了图像灰度分布均匀程度和纹理粗细度。ASM值大代表一种较均一和规则变化的纹理模式。

 

 

 

熵（entropy）：熵在物理中的含义就是物体的规则度，越有序熵越小，越无序熵越大。此处熵一样表示图像的信息量，当共生矩阵中全部元素有最大的随机性、空间共生矩阵中全部值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

自相关（correlation）：反应了图像纹理的一致性。若是图像中有水平方向纹理，则水平方向矩阵的COR大于其他矩阵的COR值。

 

补充：
当灰度级较大时，是一个庞大的矩阵。对于通常的灰度图，灰度级就有256，那么中就有个元素，如此庞大的矩阵会使后续的计算量增长，因此灰度共生矩阵通常要通过处理以减小灰度级数，好比经过分析纹理图像直方图，在不影响图像纹理质量的前提下，通过适当的变换压缩灰度级。

参考：

《数字图像处理与计算机视觉：visual C++与Matlab实现》章挣 ———————————————— 版权声明：本文为CSDN博主「light_lj」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处连接及本声明。原文连接：https://blog.csdn.net/light_lj/article/details/26098815