图像灰度共生矩阵

灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是一种用于描述图像纹理特征的统计工具。它可以捕捉到像素之间的灰度值关系，并提取出反映纹理特征的统计量。

下面是一个使用 Python 的 skimage 库计算灰度共生矩阵的示例代码：

import numpy as np
from skimage.feature import greycomatrix, greycoprops
from skimage import data

# 读取图像
image = data.camera()

# 计算灰度共生矩阵
distances = [1]  # 距离
angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]  # 角度
levels = 256  # 灰度级别数
glcm = greycomatrix(image, distances=distances, angles=angles, levels=levels, symmetric=True, normed=True)

# 提取 GLCM 特征
contrast = greycoprops(glcm, 'contrast')
dissimilarity = greycoprops(glcm, 'dissimilarity')
homogeneity = greycoprops(glcm, 'homogeneity')
energy = greycoprops(glcm, 'energy')
correlation = greycoprops(glcm, 'correlation')

print("Contrast:", contrast)
print("Dissimilarity:", dissimilarity)
print("Homogeneity:", homogeneity)
print("Energy:", energy)
print("Correlation:", correlation)

在上述代码中，我们首先使用 skimage 库中的 data.camera() 函数读取了一张示例图像（灰度图像）。然后，通过调用 greycomatrix() 函数计算了灰度共生矩阵。其中，我们指定了要计算的距离、角度和灰度级别数。最后，通过调用 greycoprops() 函数提取了一些常用的灰度共生矩阵特征，如对比度（contrast）、不相似度（dissimilarity）、均匀度（homogeneity）、能量（energy）和相关性（correlation）。

灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是一种用于描述图像纹理特征的统计工具。它可以捕捉到像素之间的灰度值关系，并提取出反映纹理特征的统计量。

具体来说，GLCM 是一个二维矩阵，其每个元素(i, j) 表示在图像中有多少对像素对 (p, q)，其中像素 p 的灰度级为 i，像素 q 的灰度级为 j，并且 p 与 q 的距离和角度满足预先定义的条件。这些条件包括距离（distance）、角度（angle）和灰度级别数（levels），决定了 GLCM 的大小和内容。

通过计算灰度共生矩阵，我们可以从中提取出多种反映图像纹理特征的统计量。常用的 GLCM 特征包括：

1. 对比度（Contrast）：衡量灰度级对出现频率的差异。
2. 相关性（Correlation）：衡量像素对之间的线性相关性。
3. 能量（Energy）或者逆熵（Inverse Entropy）：衡量图像的均匀性。
4. 同质性（Homogeneity）或者反差（Inverse Difference Moment）：衡量相邻像素灰度级的相似性。
5. 熵（Entropy）：衡量图像的不确定性和复杂性。

这些特征提供了关于图像纹理的不同信息，可以用于图像分类、检索和分割等应用。通过计算灰度共生矩阵和提取相应的特征，我们可以更好地描述和理解图像的纹理特征。