图像特征提取——灰度共生矩阵(GLCM)

李睿智

学号19021211293

转载自https://blog.csdn.net/light_lj/article/details/26098815

【嵌牛导读】灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM),又叫做灰度共现矩阵,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,就是两个像素灰度的联合直方图,是一种二阶统计量。

【嵌牛鼻子】灰度共生矩阵、像素灰度、联合分布、二阶统计量

【嵌牛提问】灰度共生矩阵在图像特征提取中是如何运用的?

【嵌牛正文】

灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)

又叫做灰度共现矩阵

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

含义:

就是两个像素灰度的联合直方图,是一种二阶统计量

就是两个像素点的关系

像素关系可以根据不同的纹理特性进行选择,也就是的Dx,Dy大小可以自由选

像素的空间位置关系:

对于较细的纹理分析可以取像素间距为1,

是水平扫描;


是垂直扫描;


是45度扫描;

是180度扫描。一旦位置空间确定,就可以生成灰度共生矩阵。

矩阵的物理意义:

表示灰度共生矩阵,它是一个

的矩阵(L为灰度级,就是一幅图中包含的不同灰度或者颜色的个数),

是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率(归一化)

例如: 下图是某纹理像素的放大,和对应的像素灰度矩阵


此图像只有三种灰度,故灰度级为3,灰度共生矩阵是一个3*3的矩阵


归一化形式为

改变位置空间的定义,灰度共生矩阵相应地改变:

归一化形式为:

矩阵的特征量:

从灰度共生矩阵上可以简单的看出,如果对角附近的元素有较大的值,说明图像的像素具有相似的像素值,如果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。为了得到更多的纹理特征,我们还需要在进行计算:

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。所以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相似程度,因此,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,如果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,所以也称之为能量,反映了图像灰度分布均匀程度和纹理粗细度。ASM值大表明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。此处熵同样表示图像的信息量,当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时,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。如果图像中有水平方向纹理,则水平方向矩阵的COR大于其余矩阵的COR值。

补充:

当灰度级较大时,是一个庞大的矩阵。对于一般的灰度图,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加,所以灰度共生矩阵一般要经过处理以减少灰度级数,比如通过分析纹理图像直方图,在不影响图像纹理质量的前提下,经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

你可能感兴趣的:(图像特征提取——灰度共生矩阵(GLCM))