基于象元GLCM纹理特征提取.docx

基于象元的GLCM纹理特征提取 算法原理 灰度共生矩阵（GLCM）是一个统计描述国優中的一个局部区域或整个区域相邻象元或一 定间距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（/, j / d, 0）, PG, j / d,8）表示在给定空间距离。和方向。时，灰度以i为始点.出 现灰度级为，的幌率（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IS像灰度 的级数； （2） 原图便灰度级别的压缩：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绵，比如从0-255的8 bit图供压 缩为0-31的5 bit图像，相应的共生矩阵维数从256*256阵依到32*32： （3） 基准窗口（纹理窗口）：尺寸適常为奇数方阵，大小可设为3*3, 5*5, 7*7等； （4） 移动窗口：尺寸大小由法准窗口决定 （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D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： 0 2基准窗口和移动窗D示例（1） 示例1:红以框表示基准窗口（大小为3*3）,蓝邑框表示移动窗口；移动方向为135 度：移动步长dx=2, c/y=2. ffl 3基准窗口和移动窗D示例（2） 示例2：虹以框表示基准窗口（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f/.r=1, dy =3 算法辻程详细描述 假设原图像为6 * 6大小，图供的像素如图4矩阵所示: 如图5所示: 如图5所示: （1） 然后根据移动歩长，《二2, dy =2 ,方向为135度，获得生成共生矩阵的第二个区域. 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，移动步长必=2,爵=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耳过程。 第一步：共生矩阵的生成 135移动窗口和基准窗口的关系 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: 即为移动窗口，如蓝色框所示： 以基准窗口心移动盲口（矩阵） 原始遥感甥像已被压铭到6 即为移动窗口，如蓝色框所示： 以基准窗口心移动盲口（矩阵） 原始遥感甥像已被压铭到6级, 具体公式加血-如么 相对相同位置的像素进行统计得到共生矩阵.假设 则生成的共生矩阵为6*6的方阵。注意压绵亲用的 . + grayNmns （该公式的原型是图像的线 —du 性拉伸公式，详细参见文后的附录）。（加表示原图像中某一象元值，表原图像 所有象元值的最小值，，加心表原图像所有象元值的最大值，^rayNums表示原图像 灰度等级将要压垢到的等级,例如32。得到的共生矩阵如图6所示： 1 2 3 q 5 6 1 0 0 0 1 0 0 2 1 0 1 0 0 1 3 0 0 0 0 0 1 4 0 0 0 0 1 0 5 0 0 0 0 0 1 6 0 1 1 0 0 0 136灰度共生矩阵（频率表示） 上国共生矩阵生成说明：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懺素值为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）位豈相应的应累加1,即为2。共生矩阵其他位置的计 算以此类推。 由于紋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換为概率值，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： ia 7灰度共生矩阵（帔率表示） 第二步：基于共生矩阵的絞理特征值计算 以靖（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 像的紋理极不一致时，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炳值。 例如，如果一个窗口像素的灰.度值呈现完全的随机分布（白噪声），这样窗口图彳象的直方图分 布将星现一个常数函数，也就是说当所有灰度值对出现的频率相等时，Entropy达到最大。 燔的表达式如下所示： tfiianik cjuanit Entropy = _￡ ￡ P（i，j） * In p（i,丿） f=0 j=0 其中quanta表示原图像灰度压缩的等级（共生矩阵的维救），〃（，《/）表示共生矩阵中元素