【Python】灰度共生矩阵（GLCM）附Python代码

【Python】灰度共⽣矩阵（GLCM）附Python代码

参考⽂献：.

简介

灰度共⽣矩阵（Gray-Level Co-occurrence Matrix，GLCM）统计了灰度图中像素间的灰度值分布规律以区分不同的纹理。

度共⽣矩阵可以定义为⼀个灰度为i ii的像素点与另⼀个与之对应位置上的像素点的灰度值为j jj的概率。那么所有估计的值可以表⽰成⼀个矩阵的形式，以此被称为灰度共⽣矩阵。如：根据图像中任意⼀点 ( x , y ) (x,y)(x,y) 的灰度值和它所对应的点 ( x + d x , y + d y )

(x+d_x,y+d_y)(x+dx,y+dy) 的灰度值可以得到⼀个灰度值组合 ( g 1 , g 2 ) (g_1,g_2)(g1,g2)。统计整福图像每⼀种灰度值组合出现的概率矩阵 P PP 即为灰度共⽣矩阵。

由于灰度共⽣矩阵的维度较⼤，⼀般不直接作为区分纹理的特征，⽽是基于它构建的⼀些统计量作为纹理分类特征。例如H a r a l i c k HaralickHaralick曾提出了14种基于灰度共⽣矩阵计算出来的统计量：能量、熵、对⽐度、均匀性、相关性、⽅差、和平均、和⽅差、和熵、差⽅差、差平均、差熵、相关信息测度以及最⼤相关系数。

举例⼏种常⽤的统计值

1.⾓⼆阶矩（Angular Second Moment, ASM)

⾓⼆阶矩⼜称能量，是图像灰度分布均匀程度和纹理粗细的⼀个度量，反映了图像灰度分布均匀程度和纹理粗细度。当图像纹理均⼀规则时，能量值较⼤；反之灰度共⽣矩阵的元素值相近，能量值较⼩。

2.熵（Entropy, ENT)

熵度量了图像包含信息量的随机性，表现了图像的复杂程度。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。

3.对⽐度

对⽐度反应了图像的清晰度和纹理的沟纹深浅。纹理越清晰反差越⼤对⽐度也就越⼤。

4.反差分矩阵（Inverse Differential Moment, IDM)

反差分矩阵⼜称逆⽅差，反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较⼤。

Python 代码如下

#!/usr/bin/python

# -*- coding: UTF-8 -*-

import cv2

import math

#定义最⼤灰度级数

gray_level = 16

def maxGrayLevel(img):

max_gray_level=0

(height,width)=img.shape

print height,width

for y in range(height):

for x in range(width):

if img[y][x] > max_gray_level:

max_gray_level = img[y][x]

return max_gray_level+1

def getGlcm(input,d_x,d_y):

py()

ret=[[0.0 for i in range(gray_level)] for j in range(gray_level)]

(height,width) = input.shape

max_gray_level=maxGrayLevel(input)

#若灰度级数⼤于gray_level，则将图像的灰度级缩⼩⾄gray_level，减⼩灰度共⽣矩阵的⼤⼩ if max_gray_level > gray_level:

for j in range(height):

for i in range(width):

srcdata[j][i] = srcdata[j][i]*gray_level / max_gray_level

for j in range(height-d_y):

for i in range(width-d_x):

rows = srcdata[j][i]

cols = srcdata[j + d_y][i+d_x]

ret[rows][cols]+=1.0

for i in range(gray_level):

for j in range(gray_level):

ret[i][j]/=float(height*width)

return ret

火地人def feature_computer(p):

Con=0.0

Eng=0.0

Asm=0.0

Idm=0.0

for i in range(gray_level):

for j in range(gray_level):

Con+=(i-j)*(i-j)*p[i][j]

Asm+=p[i][j]*p[i][j]

Idm+=p[i][j]/(1+(i-j)*(i-j))

if p[i][j]>0.0:

m110 sassEng+=p[i][j]*math.log(p[i][j])

return Asm,Con,-Eng,Idm

健康指数def test(image_name):

img = cv2.imread(image_name)

try:

什么叫差动保护img_shape=img.shape

2012中国肿瘤登记年报

except:

print 'imread error'

return

size(img,(img_shape[1]/2,img_shape[0]/2),interpolation=cv2.INTER_CUBIC)

img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

glcm_0=getGlcm(img_gray, 1,0)

#glcm_1=getGlcm(src_gray, 0,1)

#glcm_2=getGlcm(src_gray, 1,1)

#glcm_3=getGlcm(src_gray, -1,1)

王志面对面asm,con,eng,idm=feature_computer(glcm_0)

return [asm,con,eng,idm]

if __name__=='__main__':

result = test("test.bmp")

print(result)

参考⽂献

1. Haralick R M, Shanmugam K, Dinstein I. Textural Features for Image Classification[J]. Systems Man & Cybernetics IEEE

Transactions on, 1973, smc-3(6):610-621.

本文发布于:2024-09-23 19:21:05，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/104939.html

上一篇：opencv 灰度共生矩阵特征计算

下一篇：基于灰度共生矩阵的纹理提取

标签：灰度图像纹理

留言与评论（共有 0 条评论）