灰度共生矩阵提取毕业论文

对于每个像素点，把你得到的这些特征串成一个向量，然后把这些向量作为fcm的输入，对每个像素进行分类。如果定义两个类，一个是分割对象目标，另一个是背景，那么分类的结果就是图像分割的结果了。

搬运自本人 CSDN 博客： 《纹理特征提取方法：LBP, 灰度共生矩阵》 注：本文中大量行内 Latex 公式在中不支持，如果想要仔细参阅，请移步上面的 CSDN 博客链接。

在前面的博文 《图像纹理特征总体简述》 中，笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。

参考网址： 《纹理特征提取》 《【纹理特征】LBP 》 《灰度共生矩阵（GLCM）理解》 《灰度共生矩阵的理解》 《图像的纹理特征之灰度共生矩阵 》

参考论文： 《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉 《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬

LBP方法（Local binary patterns, 局部二值模式）是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征。 LBP是一个计算机视觉中用于图像特征分类的一个方法，用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。

LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。关于邻域像素点的选择方法，其实并不唯一：

这里选择环形邻域的方法进行说明： 窗口中心的像素点作为中心，该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较，若周围某像素值大于中心像素值，则该像素点位置被标记为1；反之，该像素点标记为0。 如此这样，该窗口的8个点可以产生8位的无符号数，这样就得到了该窗口的LBP值，该值反应了该窗口的纹理信息。如下图所示：

图中，中心像素点的像素值作为阈值，其值v = 3；周围邻域8个像素值中，有3个比阈值小的像素点置0，5个比阈值大的像素点置1。

LBP算法的计算公式如下：

$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} - g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$

LBP纹理特征向量，一般以图像分块LBP直方图表示。具体步骤如下：

得到了整幅图像的LBP纹理特征后，便可以利用SVM或者其他机器学习算法进行分类了。

这两天笔者将会对源码进行测试封装，以后会上传到我的GitHub网站上。

灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于 方向、相邻间隔、变化幅度等 综合信息，它是分析图像的局部模式和它们排列规则的基础。 对于灰度共生矩阵的理解，需要明确几个概念：方向，偏移量和灰度共生矩阵的阶数。

计算纹理特征第一步，就是将多通道的图像（一般指RGB图像）转换为灰度图像，分别提取出多个通道的灰度图像。 纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任意选择其一。

一般在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。 而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果。 注：笔者后文中的例子中，为了简要说明，所以灰度等级简单设置为4。

计算特征值前，先选择计算过程中的一些参数：

下面分部且适当的使用一些例子说明计算过程：

为了达到简单说明计算纹理特征值的目的，笔者此处做简要的假设：灰度被分为4阶，灰度阶从0--3；窗口大小为6 × 6； 窗口A的灰度矩阵A如下：

窗口B的灰度矩阵B如下：

此处以左上角元素为坐标原点，原点记为(1, 1)；以此为基础举例，第四行第二列的点记为(4, 2)；

情景1：d = 1，求0°方向矩阵A的共生矩阵： 则按照0°方向（即水平方向 从左向右，从右向左两个方向 ），统计矩阵值(1, 2)，则如下图所示：

$$ P_{A}(d=1, \theta =0^o)=\begin{vmatrix} 0 & 8 & 0 & 7 \ 8 & 0 & 8 & 0 \ 0 & 8 & 0 & 7 \ 7 & 0 & 7 & 0 \end{vmatrix} $$

情景2：d = 1，求45°方向矩阵A的共生矩阵： 按照情景1，同理可得此时的统计矩阵结果如下： $$ P_{A}(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$

情景3：d = 1，求0°与45°方向矩阵B的共生矩阵： 与前面同理，可以得到矩阵B的统计及矩阵结果如下： $$ P_{B}(d=1, \theta =0^o)=\begin{vmatrix} 24 & 4 & 0 & 0 \ 4 & 8 & 0 & 0 \ 0 & 0 & 12 & 2 \ 0 & 0 & 2 & 4 \end{vmatrix} $$

$$ P_{B}(d=1, \theta =45^o)=\begin{vmatrix} 18 & 3 & 3 & 0 \ 3 & 6 & 1 & 1 \ 3 & 1 & 6 & 1 \ 0 & 1 & 1 & 2 \end{vmatrix} $$

矩阵A, B的其余90°、135°矩阵与上面同理，所以笔者偷懒略去。

这样，我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵，下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。 用P表示灰度共生矩阵的归一化频率矩阵，其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值，所以P(i, j)表示满足这种情况的两个像素出现的概率。 以上述情景2中的矩阵为例： 原矩阵为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$

归一化后，矩阵形式变为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12/50 & 0 & 0 & 0 \ 0 & 14/50 & 0 & 0 \ 0 & 0 & 12/50 & 0 \ 0 & 0 & 0 & 12/50 \end{vmatrix} $$

灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们一般采用四个最常用的特征来提取图像的纹理特征： 能量、对比度、相关度、熵 。

$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $ 能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。

$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $ 对比度是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。

$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) - \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $ 相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性。

$ ENT = - \sum_{i} \sum_{j} P(i,j) \log P(i,j) $ 熵体现了图像纹理的随机性。若共生矩阵中所有值都相等，取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。

求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理就消除了方向分量对纹理特征的影响。

一个滑动窗口计算结束后，该窗口就可以移动一个像素点，形成另一个小窗口图像，重复进行上一步的计算，生成新窗口图像的共生矩阵和纹理特征值； 以此类推，滑动窗口遍历完所有的图像像素点后，整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。

之后，就可以将这个纹理特征值矩阵转换成纹理特征图像。

笔者已经对源码进行测试了封装，并上传到了笔者的GitHub网站上。 GitHub：

可以。灰度共生矩阵通过计算图像灰度的空间相关性来描述纹理特征能提取不规则矩阵。灰度共生矩阵也叫做空间灰度级依赖矩阵，它是一种基于统计的纹理特征提取的方法。

基于灰度共生矩阵的图像分割方法研究 时间：2009-12-16 11:13:13 来源：电子科技 作者：宁顺刚，白万民，喻 钧 西安工业大学计算机科学与工程学院 所谓图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程。它是数字图像处理中的关键技术之一，是进一步进行图像识别、分析和理解的基础。目前图像分割方面现有的算法非常多，将它们进行分类的方法也提出了不少。一般分为3类：(1)阈值分割；(2)边缘检测；(3)区域提取。但还没有一种方法能普遍适用于各种图像。因此，对于图像分割的研究还在不断深人之中，也是目前图像处理中研究的热点之一。随着科技的发展进步，图像处理在军事中的运用也越来越广泛，这主要集中在迷彩设计这方面。而现在军事上的伪装迷彩是现代高技术战争中隐藏武器装备、保存自我的重要手段，也是消灭敌人的需要。因此对于迷彩的设计研究也一直都是各国的热门话题。文中主要以某山地航拍图为研究对像，对其进行背景分析然后再实现图像分割，为后期迷彩设计做准备。由于该山地背景纹理特征明显，故利用纹理分析对其进行背景分析，而灰度共生矩阵是纹理分析方法中最常用的一种方法。文中采用灰度共生矩阵方法对该图像进行分割研究。 1 灰度共生矩阵 灰度共生矩阵(Gray Level Co-occurrence Ma-trix，GLCM)是图像纹理分析方法中的一种，它反映不同像素相对位置的空间信息，在一定程度上反映了纹理图像中各灰度级在空间上的分布特性，是纹理分析领域中最经常采用的特征之一。灰度共生矩阵是图像灰度变化的二阶统计度量，也是描述纹理结构性质特征的基本函数，它统计了两个像素点位置的联合概率分布。设S为目标区域R中具有特定空间联系的像素对的集合，则共生矩阵P可定义为式(1)等号右边的分子是具有某种空间关系、灰度值分别为i，j的像素对的个数，分母为像素对的总和个数(#代表数量)，这样得到的P是归一化的。 对于一幅图像Gf(i，j)，大小N×N，包含像素(动态范围为G)的灰度级为{0，1，…，G-1}，它的灰度共生矩阵是一个二维矩阵C(i，J)，每个矩阵元素表示在某一距离d和角度θ强度i和j联合出现的概率。因此，根据不同的d和θ值，这里可能存在多个共生矩阵。但在实际应用中，往往适当的选取d，而θ一般取O°，45°，90°，135，如图1所示。