灰度共生矩陣(GLCM)基本原理

灰度共生矩陣

灰度共生矩陣(Gray Level CO-Occurrence Matrix-GLCM)是圖像特征分析與提取的重要方法之一，在紋理分析、特征分類、圖像質(zhì)量評價(jià)燈方面都有很重要的應(yīng)用，其基本原理圖示如下：

左側(cè)是一個(gè)圖像，可以看出最小的灰度級(jí)別是1，最大的灰度級(jí)別是8，共有8個(gè)灰度級(jí)別。右側(cè)對應(yīng)的灰度共生矩陣，左上角第一行與第一列的坐標(biāo)(1, 1)包含值1，原因在于水平方向上，相距一個(gè)像素值，當(dāng)前像素跟水平右側(cè)相鄰像素只有一個(gè)是1、1相鄰的像素值(灰度級(jí)別)對；右側(cè)共生矩陣的原始(1, 2) = 2 說明在像素矩陣中有兩個(gè)像素值1，2相鄰的像素點(diǎn)對、以此類推得到完整的右側(cè)灰度共生矩陣。根據(jù)當(dāng)前像素跟相鄰像素位置不同，可以計(jì)算得到不同的共生矩陣，同時(shí)根據(jù)像素之間的距離不同會(huì)輸出不同灰度共生矩陣?？偨Y(jié)來說，有如下四種不同角度的灰度共生矩陣：

0度水平方向GLCM

45度方向GLCM

90度垂直方向GLCM

135度方向GLCM

根據(jù)相鄰像素點(diǎn)之間距離參數(shù)D不同可以得到不同距離的GLCM。此外對正常的灰度圖像來說，最小灰度值為0，最大的灰度值為255，共計(jì)256個(gè)灰度級(jí)別，所以GLCM的大小為256x256，但是我們可以對灰度級(jí)別進(jìn)行降維操作，比如可以每8個(gè)灰度值表示一個(gè)level這樣，這樣原來256x256大小的共生矩陣就可以改成256/8 * 256 /8 = 32x32的共生矩陣。所以最終影響灰度共生矩陣生成有三個(gè)關(guān)鍵參數(shù)：

角度 (支持0、45、90、135)

距離（大于等于1個(gè)像素單位）

灰度級(jí)別(最大GLCM=256 x 56)

GLCM實(shí)現(xiàn)紋理特征計(jì)算

灰度共生矩陣支持如下紋理特征計(jì)算，它們是：

能量

熵值

對比度

相關(guān)性

逆分差

這些紋理特征計(jì)算公式如下：

上述5個(gè)是常見的GLCM的紋理特征，GLCM總計(jì)由14個(gè)特征值輸出，這里就不再贅述了！感興趣的可以自己搜索關(guān)鍵字GLCM。

OpenCV計(jì)算灰度共生矩陣

OpenCV本身沒有灰度共生矩陣的算法實(shí)現(xiàn)，所以需要對照自己編碼實(shí)現(xiàn)，計(jì)算圖像灰度共生矩陣，代碼實(shí)現(xiàn)步驟如下：

加載圖像，灰度轉(zhuǎn)

創(chuàng)建灰度共生矩陣Mat對象

計(jì)算灰度共生矩陣

顯示灰度共生矩陣

這里我采用的角度為0、45、90、135、像素距離d=1、灰度級(jí)別為256，代碼實(shí)現(xiàn)如下：

//0°，45°，90°，135°
Matglcm_0=Mat::zeros(Size(step,step),CV_32FC1);
for(introw=0;row(row,col);
intj=gray.at(row,col+1);
glcm_0.at(i,j)++;
}
}

Matglcm_45=Mat::zeros(Size(step,step),CV_32FC1);
for(introw=1;row(row,col);
intj=gray.at(row-1,col+1);
glcm_45.at(i,j)++;
}
}
Matglcm_90=Mat::zeros(Size(step,step),CV_32FC1);
for(introw=1;row(row,col);
intj=gray.at(row-1,col);
glcm_90.at(i,j)++;
}
}
Matglcm_135=Mat::zeros(Size(step,step),CV_32FC1);
for(introw=1;row(row,col);
intj=gray.at(row-1,col-1);
glcm_135.at(i,j)++;
}
}

normalize(glcm_0,glcm_0,0,1.0,NORM_MINMAX);
normalize(glcm_45,glcm_45,0,1.0,NORM_MINMAX);
normalize(glcm_90,glcm_90,0,1.0,NORM_MINMAX);
normalize(glcm_135,glcm_135,0,1.0,NORM_MINMAX);

運(yùn)行效果如下：圖一

斑馬線的灰度共生矩陣

提取圖像對比度特征

基于共生矩陣實(shí)現(xiàn)紋理特征計(jì)算，這里我用了比較簡單的對比度計(jì)算來實(shí)現(xiàn)局部紋理特征提取、代碼實(shí)現(xiàn)如下(局部窗口大小8x8、灰度級(jí)別256/32 =8個(gè)級(jí)別)

intstep=256;
Matimage=imread("D:/images/ftexture.jpg");
//Matimage=imread("D:/images/ban_texture.jpg");
Matgray;
cvtColor(image,gray,COLOR_BGR2GRAY);
imshow("gray",gray);
intheight=gray.rows;
intwidth=gray.cols;

Matglcm_0=Mat::zeros(Size(width,height),CV_32FC1);
Rectroi;
roi.x=0;
roi.y=0;
roi.width=8;
roi.height=8;

for(introw=4;row(row,col)=pv;
}
}
normalize(glcm_0,glcm_0,0,1.0,NORM_MINMAX);
imshow("glcm",glcm_0);
waitKey(0);

方法計(jì)算灰度矩陣的代碼如下:

Matm=Mat::zeros(Size(8,8),CV_32FC1);
for(introw=0;row(row,col)/32;
intj=im.at(row+1,col+1)/32;
m.at(i,j)++;
}
}
floatcontrast=0;
for(inti=0;i(i,j)*(i-j)*(i-j);
}
}
returncontrast;

計(jì)算135°的灰度共生矩陣，基于計(jì)算局部對比度提取紋理運(yùn)行結(jié)果如下：

測試一（左側(cè)是輸入圖像、右側(cè)135的對比度）