灰度共生矩阵&灰度梯度共生矩阵

灰度共生矩阵

一个简单的例子

概念：像素灰度在空间位置上的反复出现形成图像的纹理，GLCM是描述具有某种空间位置关系两个像素灰度的联合分布。

链接：https://blog.csdn.net/Swithunm/article/details/87932630

在图像中任意一点（x,y）及偏离它的一点(x+a,y+b)(其中a，b为整数，认为定义)构成点对。设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种。对于整福图像，统计每一种(f1,f2)值出现的次数，然后排列成一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2)，由此产生的矩阵为灰度共生矩阵。

灰度共生矩阵特征量

共生矩阵实际上是两个像素点的联合直方图，对于图像中细而规则的纹理，成对像素点的二维直方图倾向于均匀分布；对于粗而规则的纹理，则倾向于最对角分布。

1. 对比度
   度量 矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊。
   
2. 能量
   能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。
   
3. 熵
   图像包含信息量的随机性度量。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；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。
   
4. 逆方差
   逆方差反映了图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较，反之较小。
   
5. 相关性
   用来度量图像的灰度级在行或列方向上的相似程度，因此值得大小反应了局部灰度相关性，值越大，相关性也越大。
   
   参考链接：https://blog.csdn.net/guanyuqiu/article/details/53117507

灰度梯度共生矩阵

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。

灰度一梯度共生矩阵的元素H( i，j ) 定义为在归 一的灰度图象F( m，n ) 和归一的梯度图象G ( m，n ) 中共同具有灰度为 i 和梯度为 j 的总象点数 . 例如 H ( 10，12 ) =20 , 即图象内象点灰度为10 , 梯度为12的总象点数为20. 以图象的总象点数归一后得到概率为p( i，j )。

摘自论文：洪继光《灰度一梯度共生矩阵纹理分析方法》