python 计算灰度共生矩阵 纹理特征
今天学习数字图像处理课，学到灰度共生矩阵，兴起，遂敲码解之。
方法摘自百度百科：
灰度直方图是对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。
取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2） ，这样的方阵称为灰度共生矩阵。距离差分值（a，b） 取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b） 取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。
当 a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当 a=-1，b=1时，像素对是左对角线，即135度扫描。
这样，两个象素灰度级同时发生的概率，就将 （x，y）的空间坐标转化为“灰度对” （g1，g2）的描述，形成了灰度共生矩阵。
课上的方法时M(x,0°)，M(x,45°)，M(x,90°) ，M(x,135°)
x是步长，后者是前进角度，本质思路一样，只是计算方法不同，求出的共生矩阵都是一样的。
代码如下：
import numpy as np
data=np.array([[0,1,2,3,0,1,2],
[1,2,3,0,1,2,3],
[2,3,0,1,2,3,0],
[3,0,1,2,3,0,1],
[0,1,2,3,0,1,2],
[1,2,3,0,1,2,3],
[2,3,0,1,2,3,0]])
#求矩阵最大值
def search_max(m):
a=[]
for i in range(len(m)):
a.append(max(m[i]))
MAX=max(a)
return MAX
def GLCM(m,l,A,scale):#m是初始矩阵，l是移动距离，A是角度，Scale是共生矩阵大小
glcm=np.zeros((scale,scale))
d=len(m)
for i in range(scale):
for j in range(scale):
for x in range(d):
for y in range(d):
if A==0:#方向0°
if y+l<d:#超出边界检查
if m[x][y]==i and m[x][y+l]==j:#遍历元素
glcm[i][j]+=1
elif A==45:
if 0<=(x-l) and y+l<d:#超出边界检查
if m[x][y]==i and m[x-l][y+l]==j:
glcm[i][j]+=1
elif A==90: #超出边界检查
if x+l<d:
if m[x][y]==i and m[x+l][y]==j:
glcm[i][j]+=1
elif A==135:
if 0<=(x-l) and 0<y-l<d:#超出边界检查
if m[x][y]==i and m[x-l][y-l]==j:
glcm[i][j]+=1
return glcm
scale=search_max(data)+1
a=GLCM(data,1,0,scale)
b=GLCM(data,1,45,scale)
c=GLCM(data,1,90,scale)
d=GLCM(data,1,135,scale)
print('0°：\n',a)
print('45°：\n',b)
print('90°：\n',c)
print('135°：\n',d)
移动距离为1的各个角度的运算结果：
初学，理解还不是很透彻，还可以在改进，希望没有错，写程序是为了写作业，同时更好的理解知识点。
谢谢！