基于象元GLCM纹理特征提取.docxVIP

基于象元的 GLCM 纹理特征提取 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. 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： 635514具体公式为: 6 3 5 5 1 4 具体公式为: dn * grayNums （该公式的原型是图像的线 dnmin 性拉伸公式，详细参见文后的附录） dn表示原图像中某一象元值， dn皿山表原图像 TOC \o 1-5 \h \z 2 3 4 5 6 2 6 5 4 5 4 1 6 13 6 2 2 3 6 5 1 2 3 5 6 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 所有象元值的最小值，dnmax表原图像所有象元值的最大值， grayNums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： 1 2 3 4 5 6 1 0 0 0 1 0 0 2 1 0 1 0 CJ 1 3 □ 0 0 0 0 1 4 0 0 0 0 1 0 5 □ 0 0 0 0 1 6 □ 1 1 0 0 0 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 quant quantk quantk 1 i=0 j=0 i=0 j=0 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， En tropy 达到最大。熵的表达式如下所示