基于象元GLCM纹理特征提取.pdfVIP

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 P( i , j / d , ) ，P( i , j / d , ) 表示在给定空间距离 d 和方向 时，灰度以 i 为始点， 出现灰度级为 j 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 dx =2 ， dy =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 dx =1 ， dy =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： 1 2 3 4 5 6 6 2 6 5 4 3 2 5 4 1 6 5 4 1 3 6 2 5 5 2 3 6 5 1 1 2 3 5 6 4 图 4 图像像素的矩阵表示 下面以 135 度方向，移动步长 dx =2 ， dy =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： （1 ） 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； （2 ） 然后根据移动步长 dx =2 ， dy =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； （3 ） 以基准窗口和移动窗口（矩阵）相对相同位