灰度共生矩阵(GLCM) OR 灰度共现矩阵
这里我觉得叫它共现矩阵更为贴切,因为它代表的是像素对共同出现的概率。
下面是主要内容:
- 像素坐标平面(注意其中的术语)
- 灰度共现矩阵公式
- 归一化处理
- 基本符号
- 纹理特征
像素坐标平面
图像 f 理解为从 到 G的一个变换,即对 中的每一个像素,都对应一个属于 G 的灰度。图1中, 代表像素1的行和列, 代表像素1的灰度值; 代表像素2的行和列, 代表像素2的灰度值。 代表两个像素之间的距离, 为连接两像素点的线段与 轴成的方向。
灰度共现矩阵公式
定义方向为 ,间隔为 的灰度共生矩阵为:
上述公式看似复杂,其实对照图1理解起来较为简单,重点理解 集合的概念。
举个栗子:
行\列\灰度值 | 1 | 2 | 3 | 4 |
---|---|---|---|---|
1 | 0 | 0 | 1 | 1 |
2 | 0 | 0 | 1 | 1 |
3 | 0 | 2 | 2 | 2 |
4 | 2 | 2 | 2 | 3 |
表1
表1代表了一幅灰度图像,图像大小为4×4,灰度级为0,1,2,3; 由于这里从零开始计数,因此,
在该图像中,如果要求 ,首先要列举出水平方向上,距离相距为1的点对集合:
(1,1),(1,2) | (1,2),(1,1) | (1,2),(1,3) | (1,3),(1,2) | (1,3),(1,4) | (1,4),(1,3) |
---|---|---|---|---|---|
(2,1),(2,2) | (2,2),(2,1) | (2,2),(2,3) | (2,3),(2,2) | (2,3),(2,4) | (2,4),(2,3) |
(3,1),(3,2) | (3,2),(3,1) | (3,2),(3,3) | (3,3),(3,2) | (3,3),(3,4) | (3,4),(3,3) |
(4,1),(4,2) | (4,2),(4,1) | (4,2),(4,3) | (4,3),(4,2) | (4,3),(4,4) | (4,4),(4,3) |
表2
注:可以看出,这样的排列是有顺序的,水平方向上间距为1的排列共有
种(每一行有
种排列,共
行);以此类推,45°方向上间距为1的排列共有
,垂直方向上间距为1的排列共有
种,135°方向上间距为1的排列共有
,将以上四种排列相加得到归一化常数R。
根据表1,我们可以可到四个方向上间距为1的共生矩阵。灰度共生矩阵以灰度值为行列轴坐标,与图像的大小并无关系。根据表1、2,我们可以得到水平方向上间距为1、大小为4×4的共生矩阵,行列轴坐标可取值为0,1,2,3.举例:在
共生矩阵(0,0)位置的元素值表示在水平方向上相距
的两像素灰度值分别为0和1,这样的像素对个数,在表1中,共有4对,其位置分别为[(1,1),(1,2)],[(1,2),(1,1)],[(2,1),(2,2)],[(2,2),(2,1)]。以此类推,得到表1四个方向上间距为1的共生矩阵如下:
4 | 2 | 1 | 0 |
---|---|---|---|
2 | 4 | 0 | 0 |
1 | 0 | 6 | 1 |
0 | 0 | 1 | 2 |
4 | 1 | 0 | 0 |
---|---|---|---|
1 | 2 | 2 | 0 |
0 | 2 | 4 | 1 |
0 | 0 | 1 | 0 |
6 | 0 | 2 | 0 |
---|---|---|---|
0 | 4 | 2 | 0 |
2 | 2 | 2 | 2 |
0 | 0 | 2 | 0 |
2 | 1 | 3 | 0 |
---|---|---|---|
1 | 2 | 1 | 0 |
3 | 1 | 0 | 2 |
0 | 0 | 2 | 0 |
归一化处理
在上面我们介绍了归一化常数R,归一化处理也是正规化处理,标准化处理,即将灰度共生矩阵除以该常数R得到一个概率矩阵。换言之,灰度共生矩阵中的每个元素值都是在某方向上间隔 的像素对共同出现的个数,除以总的个数,就得到了像素对共同出现的概率。
基本符号
表示
共生矩阵中像素对共同出现的概率,=
。(注意大小写 )
表示
共生矩阵中第
行的概率和,=
。(i是灰度值 )
表示
共生矩阵中第
行的概率和,=
。(j是灰度值 )
纹理特征
均值
注意:如果灰度共生矩阵是对称阵,那么
一般来说是相等的。
方差
角二阶矩、对比度、相关性、熵等特征不在列举,可在引用中查找
本人在图像检索方面属于刚入门的新手,上述内容若有错误的地方,还请读者大佬批评指正。
最后奉上引用的资源链接https://download.csdn.net/download/saw009/10364977
REFERENCES
[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.
[2] 周明全. 基于内容图像检索技术[M]. 清华大学出版社, 2007.
[3] https://wenku.baidu.com/view/364508b3e109581b6bd97f19227916888486b90d.html?from=search