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合分布的統計形式，對于圖像的紋理分析很有意義。

灰度共生矩陣(GLDM)的統計方法是20世紀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，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，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值較小，對角線兩側的值較大。
由于灰度共生矩陣的數據量較大，一般不直接作為區分紋理的特征，而是基于它構建的一些統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計量：即：能量、熵、對比度、均勻性、相關性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相關信息測度以及最大相關系數。

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

以出發點灰度級1，目標點灰度級也為1為例，設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。

以出發點灰度級1，目標點灰度級也為2為例，設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。當圖像紋理均一規則時，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，表現了圖像的復雜程度。當共生矩陣中所有值均相等或者像素值表現出最大的隨機性時，熵最大。

3.對比度

對比度反應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則程度，紋理清晰、規律性較強、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域間較均勻，變化緩慢，逆方差會較大，反之較小。

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

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

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。