基于象元的GLCM纹理特征提取.doc

基于象元的GLCM纹理特征提取 1.算法原理 灰度共生矩阵(GLCM)是一个统计描述图像中的一个局部区域或整个区域相邻象元或一定间距内两象元灰度呈现某种关系的矩阵。该矩阵中的元素值代表灰度级之间联合条件概率密度，表示在给定空间距离和方向时，灰度以为始点，出现灰度级为的概率（也即频数）。 算法涉及到的几个关键概念： （1）共生矩阵的维数：在不对原图像灰度级别进行压缩的情况下，取决于原图像灰度的级数； （2）原图像灰度级别的压缩：为了使共生矩阵的维数不至于太大（太大会降低纹理特征值的计算效率），通常先把原始图像的灰度等级进行压缩，比如从0-255的8 bit 图像压缩为0-31的 5 bit图像，相应的共生矩阵维数从256*256降低到32*32； （3）基准窗口（纹理窗口）：尺寸通常为奇数方阵，大小可设为3*3，5*5，7*7等； （4）移动窗口：尺寸大小由基准窗口决定 （5）移动方向和步长：移动方向通常为0度，45度，90度和135度，如图1所示： 图1 窗口移动方向 移动步长与两个因素有关：（1）移动方向；（2）基准窗口中心象元和移动窗口中心象元的距离（用像素表示）。举例说明，如图2、3所示： 图2 基准窗口和移动窗口示例（1） 示例1：红色框表示基准窗口（大小为3*3），蓝色框表示移动窗口；移动方向为135度；移动步长=2，=2. 图3 基准窗口和移动窗口示例（2） 示例2：红色框表示基准窗口（大小为3*3），蓝色框表示移动窗口；移动方向不属于常用的四个方向的任意一个；移动步长=1，=3. 2.算法过程详细描述 假设原图像为6 * 6大小，图像的像素如图4矩阵所示： 图4 图像像素的矩阵表示 下面以135度方向，移动步长=2，=2，基准窗口大小为3 * 3为例来说明共生矩阵生成和纹理特征值计算过程。 第一步：共生矩阵的生成 图5 移动窗口和基准窗口的关系 如图5所示： 先根据基准窗口大小在影像左上角选择一个3 *3大小的区域，如红色框所示； 然后根据移动步长=2，=2 ，方向为135度，获得生成共生矩阵的第二个区域，即为移动窗口，如蓝色框所示； 以基准窗口和移动窗口（矩阵）相对相同位置的像素进行统计得到共生矩阵。假设原始遥感影像已被压缩到6级，则生成的共生矩阵为6*6的方阵。注意压缩采用的具体公式为：（该公式的原型是图像的线性拉伸公式，详细参见文后的附录）。表示原图像中某一象元值，表原图像所有象元值的最小值，表原图像所有象元值的最大值，表示原图像灰度等级将要压缩到的等级，例如32。得到的共生矩阵如图6所示： 图6 灰度共生矩阵（频率表示） 上图共生矩阵生成说明：共生矩阵的行号对应基准窗口的象元值，列号对应移动窗口的象元值。例如红色框中的左上角像素值为1，而蓝色框中的左上角像素值为4，则共生矩阵中的（1，4）位置即为1，当然如果红色框和蓝色框的相同位置还分别出现1和4时，则共生矩阵的（1，4）位置相应的应累加1，即为2。共生矩阵其他位置的计算以此类推。 由于纹理特征计算利用的是概率，所以还应该把共生矩阵中的值转换为概率值，方法是用各个元素值除以矩阵中所有元素的和（上图元素和为9），最后可以得到最后的方阵，即为共生矩阵。如图7所示： 图7 灰度共生矩阵（概率表示） 第二步：基于共生矩阵的纹理特征值计算 以熵（Entropy）纹理特征值为例来说明，Entropy主要用来衡量图像的无序性。当图像的纹理极不一致时，灰度共生矩阵中各元素的值将偏小，这将意味该纹理具有较大的熵值。例如，如果一个窗口内像素的灰度值呈现完全的随机分布(白噪声)，这样窗口内图像的直方图分布将呈现一个常数函数，也就是说当所有灰度值对出现的频率相等时，Entropy达到最大。熵的表达式如下所示： 其中表示原图像灰度压缩的等级（共生矩阵的维数），表示共生矩阵中元素的值，也就是概率值。通过上式可以计算出一个熵值，把这个熵值赋给红色框区域的中心象元即可完成该基准窗口（纹理窗口）的纹理特征值计算。 至此，算法已经计算得出了一个像素的纹理特征值，接下来我们要计算其他像素的纹理特征值。图8显示的是下一步要计算的纹理特征值所依据的基准窗口和移动窗口，而计算过程与上面描述的过程类似。 图8 基准窗口和移动窗口的下一位置 总的来说，基准窗口的移动是逐个像素移动的，而移动窗口的移动是根据基准窗口和移动方向、移动步长大小得到的。 Haralick(1973)根据灰度共生矩阵定义了14种纹理特征，常用的用于提取遥感图像中纹理信息的特征统计量主要有：均值（Mean）、标准差（Standard deviation）、方差（Variance）、同质性(omogeneity)、对比度(ontrast)、不相似性（Dissimilarity）、熵（Entro