灰度共生矩阵提取纹理特征.docVIP

Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet by using visible and near infrared hyperspectral imaging Di Wu and Da-Wen Sun 论文中提到：Five spectral features (mean, standard deviation, skew, energy, and entropy) and twenty two image texture features obtained from graylevel co-occurrence matrix (GLCM) were extracted from hyperspectral images in this study. 灰度共生矩阵提取纹理特征的实验结果分析 在图像检索中, 常用的纹理特征主要有Tamura 纹理特 征[ 1] 、自回归纹理模型[ 2] 、方向性特征、小波变换[ 3- 4] 和共生 矩阵等形式。这些纹理分析方法的共同点是提取了那些在特 定纹理描述中最重要的特征, 突出纹理的不同方面。其中, 灰 度共生矩阵GLCM是由文献[5] 提出的一种用来分析图像纹理特征 的重要方法。目前, 基于共生矩阵的纹理检索算法被广泛应 用[ 6- 9] 。 ( 1) 角二阶矩 ASM= i ! j !P(i,j)2; 角二阶矩是灰度共生矩阵各元素的平方和, 又称能量。它是影像纹理灰度变化均一的度量, 反映了影像灰度分布均匀程度和纹理粗细度。 ( 2) 对比度 CON= i ! j !(i- j)2P(i,j); 对比度是灰度共生矩阵主对角线附近的惯 性矩, 它度量矩阵的值是如何分布和影像中局部 变化的多少, 反映了影像的清晰度和纹理的沟纹 深浅。 ( 3) 相关 CORRLN= i ! j !((ij)p(i,j))-μx μy #/σxσy; 它度量空间灰度共生矩阵元素在行或列方 向上的相似程度, 因此, 相关值大小反映了影像 中局部灰度相关性。 ( 4) 熵 ENT= – i ! j !p(i,j)logp(i,j); 熵度量影像纹理的随机性。当空间共生矩阵 中所有值均相等时, 它取得最大值; 相反, 如果共 生矩阵中的值非常不均匀时, 其值较小 基于灰度共生矩阵提取纹理特征图像的研究 3 纹理特征影像提取的方法 基于影像灰度共生矩阵的纹理特征提取算法如下: 纹理特征影像提取分为提取灰度图像、灰度级量化, 计算特征值, 纹理特征影像的生成四部 分。 3.1 提取灰度图像 计算纹理特征的第一步就是将多波段的影像( RGB 影像) 转换为灰度图象, 求出分别代表RGB 的单波段。选择其中的一个波段进行计算纹理特征。因为纹理特征是一种结构特征, 即使使用不同波段的影像得到的纹理特征都是一样的。所以我们任意选择了R 波段作为研究的波段。 3.2 灰度级量化 在实际应用中, 一幅灰度影像的灰度级一般为256 级, 在计算由灰度共生矩阵推导出的纹理 特征时, 要求影像的灰度级远小于256, 主要是因为影像共生矩阵的计算量由影像的灰度等级和影像的大小来确定。例如: 假定影像G 有L 个灰度级, 其大小为R 行C 列, 则运算量大约是L2×R×C, 按一般情况L=256, R=512, C=512 来计算,其基本运算至少要1.7×1010 次。以现行微机的运算速度每秒100 万次为例, 对上述一幅影像计算其灰度共生矩阵至少需要1.7×103 秒以上, 约30分钟。由此可见, 这样长的时间用来进行影像的识别是不太切合实际的。解决的办法是: 在尽量保持影像原形的情况下大量削减影像灰度级的取值个数和影像分辨率。因此, 在计算空间灰度共生矩阵时, 在不影响纹理特征的前提下往往先将原影像的灰度级压缩到较小的范围, 一般取8级或16级, 以便减小共生矩阵的尺寸。在本研究中, 我们将遥感影像压缩为8 个灰度级。由于灰度通常分布在较窄的范围内, 若直接把灰度除以32 取整, 会引起影像的清晰度降低。所以在对影像进行灰度级压缩时, 首先需将影像进行直方图均衡化处理, 增加灰度值的动态范围, 从而增加影像的整体对比效果。这样进行了直方图均衡化之后, 再将灰度除以32 取整之后, 便可以将0~255 灰度级变换为0~7灰度级。因为灰度级由256 变为了8 级, 所以影像颜 色显得很暗淡。但是在进行纹理信息处理时对纹理特征的影响不大。 3.3 计算特征值 1)滑动窗口选择 灰度共生矩阵的纹理分析方法需要选择一定大小的滑动窗口, 这里对于每一个特征都以5×5 和7×7 滑动窗口进行了计算。 2)