廣州樂(lè)地網(wǎng)站建設(shè),網(wǎng)站都需要備案嗎,網(wǎng)站開(kāi)發(fā)折舊,常德seo招聘1. 灰度共生矩陣 灰度共生矩陣是迄今為止最經(jīng)典、最常用的紋理分析方法。它通過(guò)計(jì)算圖像中特定方向和距離的像素對(duì)出現(xiàn)的頻率來(lái)描述紋理。 原理簡(jiǎn)介 GLCM是一個(gè)方陣#xff0c;其大小由圖像的最大灰度級(jí)決定。矩陣中的元素 P(i, j | d, θ) 表示在給定空間距離 d 和方向 θ 時(shí)…1. 灰度共生矩陣灰度共生矩陣是迄今為止最經(jīng)典、最常用的紋理分析方法。它通過(guò)計(jì)算圖像中特定方向和距離的像素對(duì)出現(xiàn)的頻率來(lái)描述紋理。原理簡(jiǎn)介GLCM是一個(gè)方陣其大小由圖像的最大灰度級(jí)決定。矩陣中的元素P(i, j | d, θ)表示在給定空間距離d和方向θ時(shí)灰度級(jí)i和灰度級(jí)j成對(duì)出現(xiàn)的概率。常用方向 θ:0° (水平)45° (對(duì)角)90° (垂直)135° (反對(duì)角)從GLCM中提取的常用統(tǒng)計(jì)特征:對(duì)比度: 衡量局部灰度的變化程度反映圖像的清晰度和紋理溝壑的深淺。Contrast Σ|i-j|2 * P(i,j)相關(guān)性: 衡量圖像中局部灰度的線(xiàn)性相關(guān)性。Correlation Σ [ (i-μi)(j-μj) * P(i,j) ] / (σi * σj)能量: 也稱(chēng)為角二階矩是灰度共生矩陣元素值的平方和。反映圖像灰度分布的均勻性和紋理的粗細(xì)程度。Energy Σ P(i,j)2同質(zhì)性: 衡量GLCM中元素分布與對(duì)角線(xiàn)的接近程度。值越大表示紋理越局部均勻。Homogeneity Σ P(i,j) / (1 |i-j|)熵: 衡量圖像中包含的隨機(jī)性信息量。紋理越復(fù)雜熵值越大。Entropy -Σ P(i,j) * log(P(i,j))MATLAB 代碼實(shí)現(xiàn)MATLAB提供了graycomatrix和graycoprops函數(shù)來(lái)簡(jiǎn)化這一過(guò)程。% 示例使用MATLAB內(nèi)置函數(shù)提取GLCM特征clear;close all;clc;% 1. 讀取圖像并轉(zhuǎn)換為灰度圖imgimread(texture.jpg);ifsize(img,3)3img_grayrgb2gray(img);elseimg_grayimg;end% 2. 計(jì)算灰度共生矩陣% NumLevels: 將灰度級(jí)量化為8級(jí)默認(rèn)可以更少以降低計(jì)算量% GrayLimits: 灰度范圍默認(rèn)為[min(I(:)) max(I(:))]這里用[]自動(dòng)計(jì)算% Offset: 指定方向和距離。這里計(jì)算4個(gè)方向0°, 45°, 90°, 135°距離為1offsets[01;-11;-10;-1-1];% 對(duì)應(yīng) 0°, 45°, 90°, 135°[glcm,SI]graycomatrix(img_gray,...NumLevels,8,...GrayLimits,[],...Offset,offsets);% 3. 從GLCM中提取統(tǒng)計(jì)特征% 支持的屬性: Contrast, Correlation, Energy, Homogeneitypropsgraycoprops(glcm,{Contrast,Correlation,Energy,Homogeneity});% 4. 顯示結(jié)果disp(GLCM Features for 4 directions (0°, 45°, 90°, 135°):);disp(Contrast:);disp(props.Contrast);disp(Correlation:);disp(props.Correlation);disp(Energy (ASM):);disp(props.Energy);disp(Homogeneity:);disp(props.Homogeneity);% 5. 可視化 (可選)figure;subplot(2,3,1),imshow(img),title(Original Image);subplot(2,3,2),imshow(rescale(SI)),title(Scaled Image (for GLCM));% 顯示一個(gè)方向的GLCM (例如水平方向第一個(gè)offset)glcm_0degglcm(:,:,1);% 取第一個(gè)方向的矩陣subplot(2,3,3),imshow(glcm_0deg,[]),title(GLCM (0°));subplot(2,3,4),bar(props.Contrast),title(Contrast),xlabel(Direction Index);subplot(2,3,5),bar(props.Energy),title(Energy),xlabel(Direction Index);subplot(2,3,6),bar(props.Homogeneity),title(Homogeneity),xlabel(Direction Index);% 6. 計(jì)算平均值作為最終紋理描述符 (常用方法)mean_contrastmean(props.Contrast);mean_correlationmean(props.Correlation);mean_energymean(props.Energy);mean_homogeneitymean(props.Homogeneity);fprintf( --- Average Feature Vector --- );fprintf(Average Contrast: %.4f ,mean_contrast);fprintf(Average Correlation: %.4f ,mean_correlation);fprintf(Average Energy: %.4f ,mean_energy);fprintf(Average Homogeneity: %.4f ,mean_homogeneity);2. 灰度差分統(tǒng)計(jì)GLDS是一種更簡(jiǎn)單、計(jì)算成本更低的紋理分析方法。它不關(guān)注像素對(duì)而是關(guān)注單個(gè)像素與其鄰域像素之間的灰度差。原理簡(jiǎn)介對(duì)于圖像中的每個(gè)像素計(jì)算其與鄰域內(nèi)像素的灰度差。然后統(tǒng)計(jì)這些差值的分布并從這個(gè)分布中提取特征。常用特征:對(duì)比度:Σ |Δ| * p(Δ)(類(lèi)似于GLCM但基于差分)角度二階矩:Σ p(Δ)2(類(lèi)似于GLCM的能量)熵:-Σ p(Δ) * log(p(Δ))(類(lèi)似于GLCM的熵)均值:Σ Δ * p(Δ)逆差分矩:Σ p(Δ) / (1 Δ2)(類(lèi)似于GLCM的同質(zhì)性)MATLAB 代碼實(shí)現(xiàn)MATLAB沒(méi)有內(nèi)置GLDS函數(shù)需要手動(dòng)實(shí)現(xiàn)。% 示例手動(dòng)實(shí)現(xiàn)GLDS特征提取functionfeaturesextract_glds_features(img_gray,delta_x,delta_y)% 此函數(shù)計(jì)算給定偏移量(delta_x, delta_y)的GLDS特征% img_gray: 輸入灰度圖像% delta_x, delta_y: 定義鄰域關(guān)系的偏移量[rows,cols]size(img_gray);% 1. 計(jì)算灰度差分圖像% 創(chuàng)建與原始圖像同大小的矩陣來(lái)存儲(chǔ)差分diff_imgzeros(rows,cols);% 計(jì)算有效的像素位置避免邊界問(wèn)題start_rowmax(1,1-delta_y);end_rowmin(rows,rows-delta_y);start_colmax(1,1-delta_x);end_colmin(cols,cols-delta_x);foristart_row:end_rowforjstart_col:end_col% 計(jì)算當(dāng)前像素與鄰域像素的絕對(duì)灰度差current_pixelimg_gray(i,j);neighbor_pixelimg_gray(idelta_y,jdelta_x);diff_img(i,j)abs(double(current_pixel)-double(neighbor_pixel));endend% 2. 構(gòu)建灰度差分直方圖 (概率分布)% 將差分值量化為整數(shù)最大差值為255diff_vectordiff_img(diff_img0);% 只取非零差分邊界處為零ifisempty(diff_vector)featureszeros(1,5);return;endnum_bins256;% 差分范圍是0-255phistcounts(diff_vector,0:num_bins,Normalization,probability);% 3. 從差分直方圖中提取統(tǒng)計(jì)特征delta0:(num_bins-1);% 可能的差分值% 對(duì)比度contrastsum(delta.*p);% 角度二階矩 (能量)asmsum(p.^2);% 熵 (避免log(0)給p一個(gè)很小的偏移量)epsilon1e-10;p_safepepsilon;entropy-sum(p.*log2(p_safe));% 均值mean_valuesum(delta.*p);% 逆差分矩idmsum(p./(1delta.^2));% 4. 返回特征向量features[contrast,asm,entropy,mean_value,idm];end% 使用上述函數(shù)clear;close all;clc;% 讀取圖像imgimread(texture.jpg);ifsize(img,3)3img_grayrgb2gray(img);elseimg_grayimg;end% 定義4個(gè)方向類(lèi)似于GLCMdirections[1,0;% 0° (水平)1,1;% 45° (對(duì)角)0,1;% 90° (垂直)-1,1];% 135° (反對(duì)角)% 為每個(gè)方向提取GLDS特征glds_features[];fork1:size(directions,1)delta_xdirections(k,1);delta_ydirections(k,2);features_single_dirextract_glds_features(img_gray,delta_x,delta_y);glds_features[glds_features;features_single_dir];end% 顯示結(jié)果feature_names{Contrast,Energy (ASM),Entropy,Mean,Inverse Diff Moment};direction_names{0°,45°,90°,135°};disp(GLDS Features for 4 directions:);fprintf(Direction );forf1:length(feature_names)fprintf(%s ,feature_names{f});endfprintf( );ford1:size(glds_features,1)fprintf(%s ,direction_names0ghprlcq);forf1:size(glds_features,2)fprintf(%.4f ,glds_features(d,f));endfprintf( );end% 計(jì)算平均特征向量mean_glds_featuresmean(glds_features,1);fprintf( --- Average GLDS Feature Vector --- );forf1:length(feature_names)fprintf(%s: %.4f ,feature_names{f},mean_glds_features(f));end總結(jié)與比較特征灰度共生矩陣灰度差分統(tǒng)計(jì)原理基于像素對(duì)的二階統(tǒng)計(jì)基于像素差的一階統(tǒng)計(jì)計(jì)算復(fù)雜度較高較低MATLAB支持內(nèi)置函數(shù) (graycomatrix,graycoprops)需手動(dòng)實(shí)現(xiàn)描述能力強(qiáng)能捕捉更復(fù)雜的紋理結(jié)構(gòu)較弱但對(duì)簡(jiǎn)單紋理有效魯棒性較好對(duì)噪聲相對(duì)敏感適用場(chǎng)景復(fù)雜的自然紋理、醫(yī)學(xué)圖像分析實(shí)時(shí)應(yīng)用、計(jì)算資源有限的場(chǎng)景參考代碼 matlab常用紋理特征提取方法GLCMGLDSwww.3dddown.com/csa/65376.html實(shí)用建議:對(duì)于大多數(shù)應(yīng)用GLCM是首選因?yàn)樗墒焯卣髅枋瞿芰Ω鼜?qiáng)。在實(shí)際項(xiàng)目中通常會(huì)將多個(gè)方向的特征取平均值或最大值以得到旋轉(zhuǎn)不變的紋理描述符?？梢越Y(jié)合多種方法如GLCM GLDS來(lái)構(gòu)建更強(qiáng)大的特征向量用于機(jī)器學(xué)習(xí)分類(lèi)。在計(jì)算前通常會(huì)對(duì)圖像灰度級(jí)進(jìn)行降級(jí)如從256級(jí)降到8級(jí)以降低計(jì)算復(fù)雜度和噪聲影響。