提取图像纹理特征程序设计灰度共生矩阵

1、沈阳理工大学数字图像处理课程设计摘 要图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作，其中图像的纹理特征对描述图像内容具有重要意义，纹理特征提取己成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵(GLCM)的纹理特征提取方法，给出了基于Matlab的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM)的特定图像的纹理特征提取等都具有重要参考意义。本文分析了图像纹理的特征提取灰度共生矩阵，是物体表而最本质的属性。纹理特征提取是作为纹理分析的首要任务，纹理提出了用灰度共

2、生矩阵的方法提取纹理特征，通过MA丁LAB仿真实现，结果由灰度共生矩阵产生的四个纹理特征能具有较好的鉴别能力。关键词: 特征提取；灰度共生矩阵；纹理特征；Matlab目 录1 设计目的12 设计方案22.1 二阶距(能量)22.2 对比度22.3 相关32.4 熵33 程序设计44 仿真结果与分析84.1 仿真图84.2 结果分析11结束语12参考文献13II1 设计目的由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。直觉上来说，如果图像

3、的是由具有相似灰度值的像素块构成，则灰度共生矩阵的对角元素会有比较大的值；如果图像像素灰度值在局部有变化，那么偏离对角线的元素会有比较大的值。灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。2 设计方案灰度共生矩阵的特征参数：灰度共生矩阵反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。通过灰度共生矩阵可以分析图像的局部模式和排列规则等，为了能更直观地以灰度共生矩阵描述纹理状况，一般不直接应用得到的共生矩阵，而是在其基础上获取二次统计量。为了分析方便，先将各个元素dP (i,j)除以各元素之和 S，得到

4、各元素都小于 1 的归一化值dP ( i.j ) ，由此得到归一化共生矩阵。Haralick 等人定义了 14 个用于纹理分析的灰度共生矩阵特征参数。Ulaby等人研究发现:在基GLCM 的14个纹理特征中,仅有4个特征是不相关的,这 4 个特征既便于计算又能给出较高的分类精度，一般采用下面四个4最常用的特征来提取图像的纹理特征。2.1 二阶距(能量)二阶距是灰度共生矩阵元素值得平方和，所以也称为能量，反映了图像灰度分布均匀程度和纹理粗细程度。如果灰度共生矩阵的所有值均相等，则 f1 小。如果其中一些值大而其他值小，则 f1 大。当 f1 大时，纹理粗，能量大；反之，f1 小时，纹理细，能量小

5、。2.2 对比度 对比度反映了图像的清晰度和纹理沟纹深浅的程度，计算公式如3.2。纹理的沟纹深度大，效果清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的像素对越多，这个值越大。灰度共生矩阵中远离对角线的元素值越大，对比度越大。2.3 相关相关是用来衡量灰度共生矩阵的元素在行或列方向上的相似程度，计算公式如3.3.1。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像素值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的相关值大于其余矩阵的相关值。2.4 熵熵是图像具有信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当灰度共生矩阵中所有元素有最大的随机性、灰

6、度共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示图像中纹理的非均匀程度或复杂程度。若图像没有任何纹理，则灰度共生矩阵几乎为零阵。它反映图像中纹理的复杂程度或非均匀度。若纹理复杂，熵值大；反之，若图像中灰度均匀，共生矩阵中元素大小差异大，熵值小。3 程序设计程序代码如下：T = imread('D:1.jpg')%读取D盘下的图片Image= imread('D:1.jpg');%Image = rgb2gray(k);M,N,O = size(Image);M = 256;N = 256;if isrgb(Image)%判断是否是RGB d

7、isp('是RGB图像，开始转化成灰度像！');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度时的灰度共生矩阵：');disp(P(:,:,1);disp('45度时的灰度共生矩阵：');disp(P(:,:,2);disp('90度

9、时的灰度共生矩阵：');disp(P(:,:,3); disp('135度时的灰度共生矩阵：');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); %惯性矩Ux(n) = i*P(i,j,n)+Ux(n); %相关性中xUy(n) = j*P(i,j,n)+Uy(n); %相关性中yendendendfor n = 1:4for i = 1:16for j = 1:16deltaX(n) = (i-Ux(n)2*P(i,j,n)+deltaX(n); %相关性中xdeltaY(n) = (j-Uy(n)2*P(i,j,n)+deltaY(n); %相关性中yC(n) = i*j*P(i,j,n)+C(n);endendC(n) = (C(n)-Ux(n)*Uy(n

11、)/deltaX(n)/deltaY(n); %相关性enddisp('能量均值');disp(mean(E);disp('能量标准差');disp(sqrt(cov(E);disp('熵的均值');disp(mean(H);disp('熵的标准差');disp(sqrt(cov(H);disp('惯性矩的均值');disp(mean(I)disp('惯性矩的标准差');disp(sqrt(cov(I)disp('相关的均值');disp(mean(C)disp('相关的标准

12、差')disp(sqrt(cov(C);4 仿真结果与分析4.1 仿真图输入图像“1.jpg”如图4.1所示：图 4.1原图像输出结果：图4.2 ，图4.3 ，图4.4 ，图4.5 ，图4.6 ，图4.7，图4.8 ，图4.9图5.2 0度共生矩阵图4.3 0度共生矩阵图4.4 45度共生矩阵图4.5 45度共生矩阵图4.6 90度共生矩阵图4.7 90度共生矩阵图4.8 135度共生矩阵图4.9 135度共生矩阵图4.10 各类参数值4.2 结果分析通过数字图像的采集，将图像的数值信息输入进预先编设好的程序，进行灰度图像的变换，将灰度变换后的图像输入给灰度共生矩阵的处理程序，从而得到

13、输出的四个不同的灰度矩阵，获得图像表面的四个不同矩阵的特征量，方向分别取（）。从而反映了图像灰度分布关于方向，变化幅度和局部领域的综合信息。 5 结论 由上述分析可知计算LLCM时要考虑四个变量，计算窗口大小N，图像灰度级L，方向e和距离d(1)对于计算窗口N的选取，不宜过大或过小，过大将导致计算和存储量大，但过小又导致不能包含完整的纹理信息。一般而言，当图像大小确定后，计算窗口就随之确定，除非对图像分块处理或者确定图像的ROI (Region Of Interest)区域后再提取CLCMo(2)对于灰度级L的选取，灰度级决定了LLCM的计算规模，降低灰度级可以提高计算速度和减少存储空间需求，

14、且适当降低灰度级还可以减少噪声对图像的影响，但过小的灰度级会破坏有用纹理的成分。(3)对于距离d的选择，共生矩阵在精细纹理中随距离而快速变化，而在粗糙纹理中随距离则变化缓慢。一般而言，对于平滑纹理用较大的距离，对于粗糙纹理用较小的距离会取得较好的效果。(4)对于方向e的选择，一般有四种取值0,40,90,130，通过不同e可以考察不同的纹理，不同e生成的共生矩阵中包含不同的纹理信息，一般而言，在考虑方向时，往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值，然后以各方向特征值的均值作为最终纹理分量。基于灰度共生矩阵的纹理特征提取是分析图像纹理的有利工具，文中对灰度共生矩阵纹理特征提取的研究进

15、展做了分类，给出了基于Matlab的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对减少灰度共生矩阵的计算量、合理选取计算共生矩阵时的构造参数、优化基于灰度共生矩阵的图像纹理特征提取等均有重要参考意义。参考文献1 郭依正.基于多特征融合的医学图像识别研究D.镇江江苏大学，2007:156-2572 Haralick R M, Shanmnam K, DinsLein I. Texture feature for image classificationj.IEEE Transactions on Systems:186-2983 余丽萍，黎明，杨小芹，等.基于灰度共生矩阵的断口图像识别J.计算机仿真，2010 , 27 (4 ) :224-2274 苑丽红，付丽，杨勇，等.灰度共生矩阵提取纹理特征的实验结果分析J.计算机应用，2009 29 ( 4 ) : 1018-10215 Equitz W, Niblack W. Retrieving Images Irom a Database U-sing Texture-algorithms from the QBIC System R