灰度共生矩陣特征分析法

相鄰某一間隔長度的兩個像素，它們之間要么具有相同的灰度級，要么具有不同的灰度級，若能找出這樣兩個像素的聯(lián)合分布的統(tǒng)計形式，對于圖像的紋理分析很有意義。

灰度共生矩陣(GLDM)的統(tǒng)計方法是20世紀(jì)70年代初由R.Haralick等人提出的，它是在假定圖像中各像素間的空間分布關(guān)系包含了圖像紋理信息的前提下，提出的具有廣泛性的紋理分析方法。

灰度共生矩陣被定義為從圖像中每一個灰度為i的像素點出發(fā)，離開某個固定位置（相隔距離為d，方位為0度、45度、90度等），正好灰度值為j的概率，即所有估計的值可以表示成一個矩陣的形式，以此被稱為灰度共生矩陣。
這里：

1.從哪個灰度級i出發(fā)，人為指定。
2.相隔距離與方向也人為指定,方向可以通過[0 d]來指定。

0度： [0 d]
45度： [-d d]
90度： [-d 0]
135度： [-d -d]

3.另一個灰度級j也人為指定。

對于紋理變化緩慢的圖像，其灰度共生矩陣對角線上的數(shù)值較大；而對于紋理變化較快的圖像，其灰度共生矩陣對角線上的數(shù)值較小，對角線兩側(cè)的值較大。
由于灰度共生矩陣的數(shù)據(jù)量較大，一般不直接作為區(qū)分紋理的特征，而是基于它構(gòu)建的一些統(tǒng)計量作為紋理分類特征。
Haralick曾提出了14種基于灰度共生矩陣計算出來的統(tǒng)計量：即：能量、熵、對比度、均勻性、相關(guān)性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相關(guān)信息測度以及最大相關(guān)系數(shù)。

下面：https://www.cnblogs.com/8335IT/p/5648445.html

下圖顯示了如何求解灰度共生矩陣：

下面這幅圖總有8個灰度級

以出發(fā)點灰度級1，目標(biāo)點灰度級也為1為例，設(shè)查找方向水平間隔為1（方向為水平方向，包括左右），GLCM（1，1）值為1說明只有1對的像素水平相鄰。

以出發(fā)點灰度級1，目標(biāo)點灰度級也為2為例，設(shè)查找方向水平間隔為1（方向為水平方向，包括左右），GLCM（1，2）值為1說明只有2對的像素水平相鄰。

舉例幾種常用的統(tǒng)計值

1.角二階矩（Angular Second Moment, ASM)

角二階矩又稱能量，是圖像灰度分布均勻程度和紋理粗細的一個度量，反映了圖像灰度分布均勻程度和紋理粗細度。當(dāng)圖像紋理均一規(guī)則時，能量值較大；反之灰度共生矩陣的元素值相近，能量值較小。

2.熵（Entropy, ENT)

熵度量了圖像包含信息量的隨機性，表現(xiàn)了圖像的復(fù)雜程度。當(dāng)共生矩陣中所有值均相等或者像素值表現(xiàn)出最大的隨機性時，熵最大。

3.對比度

對比度反應(yīng)了圖像的清晰度和紋理的溝紋深淺。紋理越清晰反差越大對比度也就越大。

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

反差分矩陣又稱逆方差，反映了紋理的清晰程度和規(guī)則程度，紋理清晰、規(guī)律性較強、易于描述的，值較大。

?

5.能量
能量變換反映了圖像灰度分布均勻程度和紋理粗細度。若灰度共生矩陣的元素值相近，則能量較小，表示紋理細致；若其中一些值大，而其它值小，則能量值較大。能量值大表明一種較均一和規(guī)則變化的紋理模式。

6.逆方差
逆方差反映了圖像紋理局部變化的大小，若圖像紋理的不同區(qū)域間較均勻，變化緩慢，逆方差會較大，反之較小。

7.相關(guān)性
用來度量圖像的灰度級在行或列方向上的相似程度，因此值得大小反應(yīng)了局部灰度相關(guān)性，值越大，相關(guān)性也越大。

圖片來源：https://blog.csdn.net/guanyuqiu/article/details/53117507

總結(jié)

以上是生活随笔為你收集整理的【数字图像处理】 灰度共生矩阵特征分析法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。