赞
踩
参考文献:Textural Features for Image Classification1.
代码地址:https://github.com/Code-0x00/pyCV
我自己的参考:https://github.com/mjiansun/Gray-Level-Cooccurrence-Matrix
灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)统计了灰度图中像素间的灰度值分布规律以区分不同的纹理。
度共生矩阵可以定义为一个灰度为i ii的像素点与另一个与之对应位置上的像素点的灰度值为j jj的概率。那么所有估计的值可以表示成一个矩阵的形式,以此被称为灰度共生矩阵。如:根据图像中任意一点 ( x , y ) (x,y)(x,y) 的灰度值和它所对应的点 ( x + d x , y + d y ) (x+d_x,y+d_y)(x+dx,y+dy) 的灰度值可以得到一个灰度值组合 ( g 1 , g 2 ) (g_1,g_2)(g1,g2)。统计整福图像每一种灰度值组合出现的概率矩阵 P PP 即为灰度共生矩阵。
由于灰度共生矩阵的维度较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。例如H a r a l i c k HaralickHaralick曾提出了14种基于灰度共生矩阵计算出来的统计量:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。
角二阶矩又称能量,是图像灰度分布均匀程度和纹理粗细的一个度量,反映了图像灰度分布均匀程度和纹理粗细度。当图像纹理均一规则时,能量值较大;反之灰度共生矩阵的元素值相近,能量值较小。
熵度量了图像包含信息量的随机性,表现了图像的复杂程度。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。
对比度反应了图像的清晰度和纹理的沟纹深浅。纹理越清晰反差越大对比度也就越大。
反差分矩阵又称逆方差,反映了纹理的清晰程度和规则程度,纹理清晰、规律性较强、易于描述的,值较大。
Python 代码如下
- #!/usr/bin/python
- # -*- coding: UTF-8 -*-
- import cv2
- import math
-
- #定义最大灰度级数
- gray_level = 16
-
- def maxGrayLevel(img):
- max_gray_level=0
- (height,width)=img.shape
- print height,width
- for y in range(height):
- for x in range(width):
- if img[y][x] > max_gray_level:
- max_gray_level = img[y][x]
- return max_gray_level+1
-
- def getGlcm(input,d_x,d_y):
- srcdata=input.copy()
- ret=[[0.0 for i in range(gray_level)] for j in range(gray_level)]
- (height,width) = input.shape
-
- max_gray_level=maxGrayLevel(input)
-
- #若灰度级数大于gray_level,则将图像的灰度级缩小至gray_level,减小灰度共生矩阵的大小
- if max_gray_level > gray_level:
- for j in range(height):
- for i in range(width):
- srcdata[j][i] = srcdata[j][i]*gray_level / max_gray_level
-
- for j in range(height-d_y):
- for i in range(width-d_x):
- rows = srcdata[j][i]
- cols = srcdata[j + d_y][i+d_x]
- ret[rows][cols]+=1.0
-
- for i in range(gray_level):
- for j in range(gray_level):
- ret[i][j]/=float(height*width)
-
- return ret
-
- def feature_computer(p):
- Con=0.0
- Eng=0.0
- Asm=0.0
- Idm=0.0
- for i in range(gray_level):
- for j in range(gray_level):
- Con+=(i-j)*(i-j)*p[i][j]
- Asm+=p[i][j]*p[i][j]
- Idm+=p[i][j]/(1+(i-j)*(i-j))
- if p[i][j]>0.0:
- Eng+=p[i][j]*math.log(p[i][j])
- return Asm,Con,-Eng,Idm
-
- def test(image_name):
- img = cv2.imread(image_name)
- try:
- img_shape=img.shape
- except:
- print 'imread error'
- return
-
- img=cv2.resize(img,(img_shape[1]/2,img_shape[0]/2),interpolation=cv2.INTER_CUBIC)
-
- img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
- glcm_0=getGlcm(img_gray, 1,0)
- #glcm_1=getGlcm(src_gray, 0,1)
- #glcm_2=getGlcm(src_gray, 1,1)
- #glcm_3=getGlcm(src_gray, -1,1)
-
- asm,con,eng,idm=feature_computer(glcm_0)
-
- return [asm,con,eng,idm]
-
- if __name__=='__main__':
- result = test("test.bmp")
- print(result)
Haralick R M, Shanmugam K, Dinstein I. Textural Features for Image Classification[J]. Systems Man & Cybernetics IEEE Transactions on, 1973, smc-3(6):610-621. ↩︎
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。