提取圖像紋理特征程序設(shè)計(jì)灰度共生矩陣

1、沈陽理工大學(xué)數(shù)字圖像處理課程設(shè)計(jì)摘 要圖像的特征提取是圖像的識別和分類、基于內(nèi)容的圖像檢索、圖像數(shù)據(jù)挖掘等研究內(nèi)容的基礎(chǔ)性工作，其中圖像的紋理特征對描述圖像內(nèi)容具有重要意義，紋理特征提取己成為目前圖像領(lǐng)域研究的熱點(diǎn)。文中深入研究了基于灰度共生矩陣(GLCM)的紋理特征提取方法，給出了基于Matlab的簡便實(shí)現(xiàn)代碼，分析了共生矩陣各個(gè)構(gòu)造參數(shù)對構(gòu)造共生矩陣的影響。分析結(jié)果對優(yōu)化灰度共生矩陣的構(gòu)造、實(shí)現(xiàn)基于灰度共生矩陣( GLCM)的特定圖像的紋理特征提取等都具有重要參考意義。本文分析了圖像紋理的特征提取灰度共生矩陣，是物體表而最本質(zhì)的屬性。紋理特征提取是作為紋理分析的首要任務(wù)，紋理提出了用灰度共

2、生矩陣的方法提取紋理特征，通過MA丁LAB仿真實(shí)現(xiàn)，結(jié)果由灰度共生矩陣產(chǎn)生的四個(gè)紋理特征能具有較好的鑒別能力。關(guān)鍵詞: 特征提取；灰度共生矩陣；紋理特征；Matlab目 錄1 設(shè)計(jì)目的12 設(shè)計(jì)方案22.1 二階距(能量)22.2 對比度22.3 相關(guān)32.4 熵33 程序設(shè)計(jì)44 仿真結(jié)果與分析84.1 仿真圖84.2 結(jié)果分析11結(jié)束語12參考文獻(xiàn)13II1 設(shè)計(jì)目的由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)特性?；叶裙采仃嚲褪且环N通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。直覺上來說，如果圖像

3、的是由具有相似灰度值的像素塊構(gòu)成，則灰度共生矩陣的對角元素會有比較大的值；如果圖像像素灰度值在局部有變化，那么偏離對角線的元素會有比較大的值。灰度直方圖是對圖像上單個(gè)象素具有某個(gè)灰度進(jìn)行統(tǒng)計(jì)的結(jié)果，而灰度共生矩陣是對圖像上保持某距離的兩象素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)得到的。2 設(shè)計(jì)方案灰度共生矩陣的特征參數(shù)：灰度共生矩陣反映的是圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息。通過灰度共生矩陣可以分析圖像的局部模式和排列規(guī)則等，為了能更直觀地以灰度共生矩陣描述紋理狀況，一般不直接應(yīng)用得到的共生矩陣，而是在其基礎(chǔ)上獲取二次統(tǒng)計(jì)量。為了分析方便，先將各個(gè)元素dP (i,j)除以各元素之和 S，得到

4、各元素都小于 1 的歸一化值dP ( i.j ) ，由此得到歸一化共生矩陣。Haralick 等人定義了 14 個(gè)用于紋理分析的灰度共生矩陣特征參數(shù)。Ulaby等人研究發(fā)現(xiàn):在基GLCM 的14個(gè)紋理特征中,僅有4個(gè)特征是不相關(guān)的,這 4 個(gè)特征既便于計(jì)算又能給出較高的分類精度，一般采用下面四個(gè)4最常用的特征來提取圖像的紋理特征。2.1 二階距(能量)二階距是灰度共生矩陣元素值得平方和，所以也稱為能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)程度。如果灰度共生矩陣的所有值均相等，則 f1 小。如果其中一些值大而其他值小，則 f1 大。當(dāng) f1 大時(shí)，紋理粗，能量大；反之，f1 小時(shí)，紋理細(xì)，能量小

5、。2.2 對比度 對比度反映了圖像的清晰度和紋理溝紋深淺的程度，計(jì)算公式如3.2。紋理的溝紋深度大，效果清晰；反之，對比度小，則溝紋淺，效果模糊。灰度差即對比度大的像素對越多，這個(gè)值越大?；叶裙采仃囍羞h(yuǎn)離對角線的元素值越大，對比度越大。2.3 相關(guān)相關(guān)是用來衡量灰度共生矩陣的元素在行或列方向上的相似程度，計(jì)算公式如3.3.1。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大；相反，如果矩陣像素值相差很大則相關(guān)值小。如果圖像中有水平方向紋理，則水平方向矩陣的相關(guān)值大于其余矩陣的相關(guān)值。2.4 熵熵是圖像具有信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)灰度共生矩陣中所有元素有最大的隨機(jī)性、灰

6、度共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示圖像中紋理的非均勻程度或復(fù)雜程度。若圖像沒有任何紋理，則灰度共生矩陣幾乎為零陣。它反映圖像中紋理的復(fù)雜程度或非均勻度。若紋理復(fù)雜，熵值大；反之，若圖像中灰度均勻，共生矩陣中元素大小差異大，熵值小。3 程序設(shè)計(jì)程序代碼如下：T = imread('D:1.jpg')%讀取D盤下的圖片Image= imread('D:1.jpg');%Image = rgb2gray(k);M,N,O = size(Image);M = 256;N = 256;if isrgb(Image)%判斷是否是RGB d

7、isp('是RGB圖像，開始轉(zhuǎn)化成灰度像！');Gray=rgb2gray(Image);endfor i = 1:Mfor j = 1:Nfor n = 1:256/16if (n-1)*16<=Gray(i,j)&&Gray(i,j)<=(n-1)*16+15Gray(i,j) = n-1;endendendendP = zeros(16,16,4);for m = 1:16for n = 1:16for i = 1:Mfor j = 1:Nif jP(m,n,1) = P(m,n,1)+1;P(n,m,1) = P(m,n,1);endif i

8、>1&&jP(m,n,2) = P(m,n,2)+1;P(n,m,2) = P(m,n,2);endif iP(m,n,3) = P(m,n,3)+1;P(n,m,3) = P(m,n,3);endif iP(m,n,4) = P(m,n,4)+1;P(n,m,4) = P(m,n,4);endendendif m=nP(m,n,:) = P(m,n,:)*2;endendenddisp('0度時(shí)的灰度共生矩陣：');disp(P(:,:,1);disp('45度時(shí)的灰度共生矩陣：');disp(P(:,:,2);disp('90度

9、時(shí)的灰度共生矩陣：');disp(P(:,:,3); disp('135度時(shí)的灰度共生矩陣：');disp(P(:,:,4);for n = 1:4P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n);endH = zeros(1,4);I = H;Ux = H; Uy = H;deltaX= H; deltaY = H;C =H;for n = 1:4E(n) = sum(sum(P(:,:,n).2); %能量for i = 1:16for j = 1:16if P(i,j,n)=0H(n) = -P(i,j,n)*log(P(i,j,n)+H(

10、n); %熵endI(n) = (i-j)2*P(i,j,n)+I(n); %慣性矩Ux(n) = i*P(i,j,n)+Ux(n); %相關(guān)性中xUy(n) = j*P(i,j,n)+Uy(n); %相關(guān)性中yendendendfor n = 1:4for i = 1:16for j = 1:16deltaX(n) = (i-Ux(n)2*P(i,j,n)+deltaX(n); %相關(guān)性中xdeltaY(n) = (j-Uy(n)2*P(i,j,n)+deltaY(n); %相關(guān)性中yC(n) = i*j*P(i,j,n)+C(n);endendC(n) = (C(n)-Ux(n)*Uy(n

11、)/deltaX(n)/deltaY(n); %相關(guān)性enddisp('能量均值');disp(mean(E);disp('能量標(biāo)準(zhǔn)差');disp(sqrt(cov(E);disp('熵的均值');disp(mean(H);disp('熵的標(biāo)準(zhǔn)差');disp(sqrt(cov(H);disp('慣性矩的均值');disp(mean(I)disp('慣性矩的標(biāo)準(zhǔn)差');disp(sqrt(cov(I)disp('相關(guān)的均值');disp(mean(C)disp('相關(guān)的標(biāo)準(zhǔn)

12、差')disp(sqrt(cov(C);4 仿真結(jié)果與分析4.1 仿真圖輸入圖像“1.jpg”如圖4.1所示：圖 4.1原圖像輸出結(jié)果：圖4.2 ，圖4.3 ，圖4.4 ，圖4.5 ，圖4.6 ，圖4.7，圖4.8 ，圖4.9圖5.2 0度共生矩陣圖4.3 0度共生矩陣圖4.4 45度共生矩陣圖4.5 45度共生矩陣圖4.6 90度共生矩陣圖4.7 90度共生矩陣圖4.8 135度共生矩陣圖4.9 135度共生矩陣圖4.10 各類參數(shù)值4.2 結(jié)果分析通過數(shù)字圖像的采集，將圖像的數(shù)值信息輸入進(jìn)預(yù)先編設(shè)好的程序，進(jìn)行灰度圖像的變換，將灰度變換后的圖像輸入給灰度共生矩陣的處理程序，從而得到

13、輸出的四個(gè)不同的灰度矩陣，獲得圖像表面的四個(gè)不同矩陣的特征量，方向分別?。ǎ亩从沉藞D像灰度分布關(guān)于方向，變化幅度和局部領(lǐng)域的綜合信息。 5 結(jié)論 由上述分析可知計(jì)算LLCM時(shí)要考慮四個(gè)變量，計(jì)算窗口大小N，圖像灰度級L，方向e和距離d(1)對于計(jì)算窗口N的選取，不宜過大或過小，過大將導(dǎo)致計(jì)算和存儲量大，但過小又導(dǎo)致不能包含完整的紋理信息。一般而言，當(dāng)圖像大小確定后，計(jì)算窗口就隨之確定，除非對圖像分塊處理或者確定圖像的ROI (Region Of Interest)區(qū)域后再提取CLCMo(2)對于灰度級L的選取，灰度級決定了LLCM的計(jì)算規(guī)模，降低灰度級可以提高計(jì)算速度和減少存儲空間需求，

14、且適當(dāng)降低灰度級還可以減少噪聲對圖像的影響，但過小的灰度級會破壞有用紋理的成分。(3)對于距離d的選擇，共生矩陣在精細(xì)紋理中隨距離而快速變化，而在粗糙紋理中隨距離則變化緩慢。一般而言，對于平滑紋理用較大的距離，對于粗糙紋理用較小的距離會取得較好的效果。(4)對于方向e的選擇，一般有四種取值0,40,90,130，通過不同e可以考察不同的紋理，不同e生成的共生矩陣中包含不同的紋理信息，一般而言，在考慮方向時(shí)，往往是分別計(jì)算四個(gè)方向灰度共生矩陣所確定的紋理特征值，然后以各方向特征值的均值作為最終紋理分量?；诨叶裙采仃嚨募y理特征提取是分析圖像紋理的有利工具，文中對灰度共生矩陣紋理特征提取的研究進(jìn)

15、展做了分類，給出了基于Matlab的簡便實(shí)現(xiàn)代碼，分析了共生矩陣各個(gè)構(gòu)造參數(shù)對構(gòu)造共生矩陣的影響。分析結(jié)果對減少灰度共生矩陣的計(jì)算量、合理選取計(jì)算共生矩陣時(shí)的構(gòu)造參數(shù)、優(yōu)化基于灰度共生矩陣的圖像紋理特征提取等均有重要參考意義。參考文獻(xiàn)1 郭依正.基于多特征融合的醫(yī)學(xué)圖像識別研究D.鎮(zhèn)江江蘇大學(xué)，2007:156-2572 Haralick R M, Shanmnam K, DinsLein I. Texture feature for image classificationj.IEEE Transactions on Systems:186-2983 余麗萍，黎明，楊小芹，等.基于灰度共生矩陣的斷口圖像識別J.計(jì)算機(jī)仿真，2010 , 27 (4 ) :224-2274 苑麗紅，付麗，楊勇，等.灰度共生矩陣提取紋理特征的實(shí)驗(yàn)結(jié)果分析J.計(jì)算機(jī)應(yīng)用，2009 29 ( 4 ) : 1018-10215 Equitz W, Niblack W. Retrieving Images Irom a Database U-sing Texture-algorithms from the QBIC System R