灰度梯度共生矩阵纹理特征

灰度梯度共生矩阵

一、灰度梯度共生矩阵的感知

        灰度梯度共生矩阵模型集中反映了图像中两种最基本的要素，即像点的灰度和梯度（或边缘）的相互关系。各像点的灰度是构成一副图像的基础，而梯度是构成图像边缘轮廓的要素，图像的主要信息是由图像的边缘轮廓提供的。

 

       灰度梯度空间很清晰的描绘了图像内各像素点灰度与梯度的分辨规律，同时也给出了各像点与其领域像点的空间关系，对图像的纹理能很好地描绘，对于具有方向性的纹理可以从梯度的方向上反映出来。

 

      灰度梯度共生矩阵的分类结果比用灰度共生矩阵好，因为灰度共生矩阵仅用的灰度的信息，而灰度梯度共生矩阵把图像的灰度与梯度信息都用了。

二、灰度梯度共生矩阵的定义

 

      灰度-梯度共生矩阵（Gray-GradientCo-occurrence Matrix，简称GGCM）纹理特征分析是用灰度和梯度的综合信息提取纹理特征。将图像的梯度信息加入到灰度共生矩阵中，使共生矩阵更能包含图像的纹理基元及其排列信息。

设一副图像,灰度级数目为，利用平方求和可得到它的梯度图像。将此梯度图像进行灰度级离散化，设灰度级数目为，离散化间隔为，得到新的灰度级为

   式中的，,分别为g(i,j)的最小值和最大值。经此变换后梯度图像为，灰度级数目为。

   灰度梯度共生矩阵定义为。

H（x，y）定义为集合

   中元素数目，即灰度值为x,梯度值为y的总像素个数。对灰度梯度共生矩阵进行归一化处理，使其各元素之和为1.变换公式为

              

三、灰度共生矩阵的特征描述

      基于规范化的GGCM，可以计算一系列的二次统计特征。如下为15个常用的数字特征：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差距。