灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM），矩阵的特征量

╰半橙微兮° 2023-08-17 16:15 39阅读 0赞

又叫做灰度共现矩阵

# Prerequisites #

## 概念 ##

## 计算方式 ##

对于精度要求高且纹理细密的纹理分布，我们取像素间距为d=1d=1，以下是方向的说明：

我们来看，matlab内置工具箱中的灰度共生矩阵的生成函数graycomatrix（gray-level co-occurrence matrix）对方向的说明：

![这里写图片描述][20151123110656768]

如上图所示，方向是在每一个像素点（pixel of interest）的邻域（当然，边界点除外）中获得的，只不过这里的坐标系变为了：

![这里写图片描述][20151123113623946]

*  δ=(0,±1)δ=(0,±1)为水平方向扫描，也即θ=0∘orθ=180∘θ=0∘orθ=180∘；
 *  δ=(±1,0)δ=(±1,0)为垂直扫描（θ=90∘orθ=−90∘θ=90∘orθ=−90∘）；
 *  δ=(1,−1),δ=(−1,1)δ=(1,−1),δ=(−1,1)是−45∘−45∘或135∘135∘扫描；
 *  δ=(1,1),δ=(−1,−1)δ=(1,1),δ=(−1,−1)是45∘45∘扫描。

一旦像素间距离dd以及像素间空间位置关系δδ确定，即可生成灰度共生矩阵。

GLCM所表示的是纹理图像的某些统计特性，所谓统计，通俗地讲就是累计某种情况出现的次数，用这一次数除以总的情况数，即可得其统计意义上的概率。

我们来统计灰度级2与2在-45度和135度方向上（也即δ=(1,−1)δ=(1,−1)或者δ=(−1,1)δ=(−1,1)）出现的次数，如图所示，共出现九次，在两个方向上即是18次。

![这里写图片描述][20151118104437144]

![这里写图片描述][20151118104857445]

# matlab #

## matlab相关工具箱函数 ##

使用灰度共生矩阵（GLCM）描述和提取图像纹理特征，是一个强大且流行的工具，自然matlab工具箱会提供相应的函数——`graycomatrix`：

给出一个图像矩阵，设置一些参数，得到其灰度共生矩阵，这就是函数的基本用法：

[glcm, SI] = graycomatrix(I, ...)

*  1

主要的参数有二个，分别是

1.  `NumLevels`（灰度级数）

最终`glcm`的size是`NumLevels`\*`NumLevels`

1.  `Offset`（方向\[0, 1; -1, 1; -1, 0; -1, -1\]）：

`[0, 1]`中的`1`表示的偏移数（offset），当然也可以取`2`或者更多，如上文所说，对于精度要求高且图像纹理本身即很丰富的图像来说，为了更精细地刻画，我们取偏移量（offset）为`1`。

我们将原始`I`转换为`SI`，对`SI`计算GLCM，`SI`中元素的值介于\[1, NumLevels\]之间。

I = [ 1 1 5 6 8 8; 2 3 5 7 0 2; 0 2 3 5 6 7 ]; [glcm, SI] = graycomatrix(I, 'NumLevels', 9, 'G', []) % 'Offset'的default值为`[0, 1]`

glcm = 0 0 2 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 SI = 2 2 6 7 9 9 3 4 6 8 1 3 1 3 4 6 7 8

## demo ##

这里先写一个demo，稍微有点难懂的地方在于灰度共生矩阵的计算方式，然后是一些编程上的循环判断。其他方向的情况还未考虑（在第三和第四层循环的地方可能会略有不同），以及将其封装成一个函数的操作还是留待以后吧：

clear, clc
    P = [ 0 1 2 0 1 2 1 2 0 1 2 0 2 0 1 2 0 1 0 1 2 0 1 2 1 2 0 1 2 0 2 0 1 2 0 1]; [r, c] = size(P); P_u = unique(P); % 去重，得到所有的灰度级 n = length(P_u); % 不同灰度级的个数 G = zeros(n, n); % 初始化灰度共生矩阵为全0矩阵， %% 四层循环，最外层的两层循环用来为GLCM的各个位置赋值 % 内层的两层循环时遍历原始图像矩阵，累计符合某一对应关系的的情况出现的次数 for p = 1:n, for q = 1:n, cnt = 0; % GLCM刻画的是灰度图像像素的统计特性，在matlab中通过次数的统计计算得到 for i = 1:r, for j = 1:c, if (j+1) <= c && ((P(i, j) == p && P(i, j+1) == q) || P(i, j) == q && P(i, j+1) == p), cnt = cnt + 1; end end end G(p, q) = cnt; end end G

# References #

\[1\] [<图像特征提取——灰度共生矩阵（GLCM）>][GLCM]

本文链接： [https://blog.csdn.net/lanchunhui/article/details/49903791][https_blog.csdn.net_lanchunhui_article_details_49903791]

--------------------

矩阵的特征量：  
从灰度共生矩阵上可以简单的看出，如果对角附近的元素有较大的值，说明图像的像素具有相似的像素值，如果偏离对角线的元素会有比较大的值，说明像素灰度在局部有较大变化。为了得到更多的纹理特征，我们还需要在进行计算：

对比度）（或反差）（contrast）：

纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，con越大。所以con越大图像越清晰

![938105-20190829201612205-1065140108.png][]

相关度（inverse different moment）：

度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。

![938105-20190829201631645-2038686188.png][]

能量：是灰度共生矩阵元素值的平方和，所以也称之为能量，反映了图像灰度分布均匀程度和纹理粗细度。ASM值大表明一种较均一和规则变化的纹理模式。

![938105-20190829201642445-1928605855.png][]

熵（entropy）：熵在物理中的含义就是物体的规则度，越有序熵越小，越无序熵越大。此处熵同样表示图像的信息量，当共生矩阵中所有元素有最大的随机性、空间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。它表示了图像中纹理的非均匀程度或复杂程度。

![938105-20190829201651800-1663336703.png][]

自相关（correlation）：反应了图像纹理的一致性。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。

补充：  
当灰度级较大时，是一个庞大的矩阵。对于一般的灰度图，灰度级就有256，那么中就有个元素，如此庞大的矩阵会使后续的计算量增加，所以灰度共生矩阵一般要经过处理以减少灰度级数，比如通过分析纹理图像直方图，在不影响图像纹理质量的前提下，经过适当的变换压缩灰度级。

参考：

《数字图像处理与计算机视觉：visual C++与Matlab实现》章挣  
————————————————  
版权声明：本文为CSDN博主「light\_lj」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/light\_lj/article/details/26098815

转载于:https://www.cnblogs.com/sddai/p/11431783.html

[20151123110656768]: /images/20230810/0d8700642e814da1a4511cd83005a81e.png
[20151123113623946]: /images/20230810/61cb74ee72064bb9ac56979ccbf180ee.png
[20151118104437144]: /images/20230810/8e251ea20529440792ece90bea2291f5.png
[20151118104857445]: /images/20230810/7eb01df1246a4a1c89df5f87ecd8c3e2.png
[GLCM]: http://blog.csdn.net/light_lj/article/details/26098815
[CC 4.0 BY-SA]: http://creativecommons.org/licenses/by-sa/4.0/
[https_blog.csdn.net_lanchunhui_article_details_49903791]: https://blog.csdn.net/lanchunhui/article/details/49903791
[938105-20190829201612205-1065140108.png]: /images/20230810/f57e0309a10445c2b3a5866db432aea6.png
[938105-20190829201631645-2038686188.png]: /images/20230810/4156593efc414e539754964175991193.png
[938105-20190829201642445-1928605855.png]: /images/20230810/6cc36532f2e94f7a8ab10692a21e4a6d.png
[938105-20190829201651800-1663336703.png]: /images/20230810/91af5d6ec7264a49af938e16a639bb67.png