精华内容
下载资源
问答
  • 灰度梯度共生矩阵

    2020-11-30 10:46:20
    weixin_43897604 代码整理 function OUT=GrayGradinet(IN) % 灰度梯度共生矩阵 H %归一化灰度梯度矩阵 H_basic %小梯度优势 T1 % 大梯度优势 T2 % 灰度分布的不均匀性 T3 % 梯度分布的不均匀性 T4 % 能量 T5 % 灰度...

    代码来自https://tieba.baidu.com/p/586879407?red_tag=0974275182
    理论:参考博客1:https://blog.csdn.net/qq_20823641/article/details/51475027
    感谢博主 小木匠
    理论:参考博客2:
    https://blog.csdn.net/weixin_43897604/article/details/102875745
    感谢博主 weixin_43897604
    原理来自于参考博客2
    在这里插入图片描述

    代码整理

    function OUT=GrayGradinet(IN)
    % 灰度梯度共生矩阵 H
    %归一化灰度梯度矩阵 H_basic
    %小梯度优势 T1
    % 大梯度优势 T2
    % 灰度分布的不均匀性 T3
    % 梯度分布的不均匀性 T4
    % 能量 T5
    % 灰度平均 T6
    % 梯度平均 T7
    % 灰度均方差 T8
    % 梯度均方差 T9
    % 相关 T10
    % 灰度熵 T11
    % 梯度熵 T12
    % 混合熵 T13
    % 惯性 T14
    % 逆差矩 T15
    % IN=imread('coins.png');
    gray=256;
    % close all;
    
       
    %  figure, imshow(IN);
    gray=256;
    [R,C]=size(IN);
    %采用平方求和计算梯度矩阵
    GM=zeros(R-1,C-1);
    for i=1:R-1
        for j=1:C-1
            n_GM=(IN(i,j+1)-IN(i,j))^2+(IN(i+1,j)-IN(i,j))^2;
            GM(i,j)=sqrt(double(n_GM));
        end
    end
    % figure,imshow(GM);
    %找出最大值最小值        
    n_min=min(GM(:));
    n_max=max(GM(:));
    %把梯度图象灰度级离散化
    %设置新的灰度级为new_gray
    new_gray=32;
    %新的梯度矩阵为new_GM
    new_GM=zeros(R-1,C-1);
    new_GM=uint8((GM-n_min)/(n_max-n_min)*(new_gray-1));
    
    %计算灰度梯度共生矩阵
    %梯度矩阵比轨度矩阵维数少1,忽略灰度矩阵最外围
    H=zeros(gray,new_gray);
    for i=1:R-1
        for j=1:C-1
            H(IN(i,j)+1,new_GM(i,j)+1)= H(IN(i,j)+1,new_GM(i,j)+1)+1;
        end
    end
    %归一化灰度梯度矩阵 H_basic
    total=i*j;
    H_basic=H/total;
    
    %小梯度优势 T1
    TT=sum(H);
    T1=0;
    for j=1:new_gray
        T1=T1+TT(1,j)/j^2;
    end
    T1=T1/total;
    
    %计算大梯度优势 T2
    T2=0;
    for j=1:new_gray
        T2=T2+TT(1,j)*(j-1);
    end
    T2=T2/total;
    
    %计算灰度分布的不均匀性 T3
    T3=0;
    TT1=sum(H');
    for j=1:gray
        T3=T3+TT1(1,j)^2;
    end
    T3=T3/total;
    
    %计算梯度分布的不均匀性 T4
    T4=0;
    for j=1:new_gray
        T4=T4+TT(1,j)^2;
    end
    T4=T4/total;
    
    %计算能量 T5
    T5=0;
    for i=1:gray
        for j=1:new_gray
            T5=T5+H_basic(i,j)^2;
        end
    end
    
    %计算灰度平均 T6
    TT2=sum((H_basic)');
    T6=0;
    for j=1:gray
        T6=T6+(j-1)*TT2(1,j);
    end
    
    %计算梯度平均 T7
    T7=0;
    TT3=sum(H_basic);
    for j=1:new_gray
        T7=T7+(j-1)*TT3(1,j);
    end
    
    %计算灰度均方差 T8
    T8=0;
    for j=1:gray
        T8=T8+(j-1-T6)^2*TT2(1,j);
    end
    T8=sqrt(T8);
    
    %计算梯度均方差 T9
    T9=0;
    for j=1:new_gray
        T9=T9+(j-1-T7)^2*TT3(1,j);
    end
    T9=sqrt(T9);
    
    % 计算相关 T10
    T10=0;
    for i=1:gray
        for j=1:new_gray
            T10=T10+(i-1-T6)*(j-1-T7)*H_basic(i,j);
        end
    end
    
    %计算灰度熵 T11
    T11=0;
    for j=1:gray
        T11=T11+TT2(1,j)*log10(TT2(1,j)+eps);
    end
    T11=-T11;
    
    %计算梯度熵 T12
    T12=0;
    for j=1:new_gray
        T12=T12+TT3(1,j)*log10(TT3(1,j)+eps);
    end
    T12=-T12;
    
    %计算混合熵 T13
    T13=0;
    for i=1:gray
        for j=1:new_gray
            T13=T13+H_basic(i,j)*log10(H_basic(i,j)+eps);
        end
    end
    T13=-T13;
    
    %计算惯性 T14
    T14=0;
    for i=1:gray
        for j=1:new_gray
            T14=T14+(i-j)^2*H_basic(i,j);
        end
    end
    
    %计算逆差矩 T15
    T15=0;
    for i=1:gray
        for j=1:new_gray
            T15=T15+H_basic(i,j)/(1+(i-j)^2);
        end
    end
    
    x=1:50:750;
    OUT(1,1)=T1;
    OUT(1,2)=T2;
    OUT(1,3)=T3;
    OUT(1,4)=T4;
    OUT(1,5)=T5;
    OUT(1,6)=T6;
    OUT(1,7)=T7;
    OUT(1,8)=T8;
    OUT(1,9)=T9;
    OUT(1,10)=T10;
    OUT(1,11)=T11;
    OUT(1,12)=T12;
    OUT(1,13)=T13;
    OUT(1,14)=T14;
    OUT(1,15)=T15;
    % if num>2
    %     plot(x,OUT,'-');
    %     hold on;
    % else
    %     plot(x,OUT,'-*r');
    %     hold on;
    % end
    

    总觉得哪里怪怪的,灰度好像没有离散化,归一化是不是?

    展开全文
  • 灰度共生矩阵&灰度梯度共生矩阵

    千次阅读 2019-11-02 19:53:03
    概念:像素灰度在空间位置上的反复出现形成图像的纹理,GLCM是描述具有某种空间位置关系两个像素灰度的联合分布。 链接:https://blog.csdn.net/Swithunm/article/details/87932630 在图像中任意一点(x,y)及偏离...

    灰度共生矩阵

    一个简单的例子

    概念:像素灰度在空间位置上的反复出现形成图像的纹理,GLCM是描述具有某种空间位置关系两个像素灰度的联合分布。

    链接:https://blog.csdn.net/Swithunm/article/details/87932630

    在图像中任意一点(x,y)及偏离它的一点(x+a,y+b)(其中a,b为整数,认为定义)构成点对。设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种。对于整福图像,统计每一种(f1,f2)值出现的次数,然后排列成一个方阵,再用(f1,f2)出现的总次数将它们归一化为出现的概率P(f1,f2),由此产生的矩阵为灰度共生矩阵。
    在这里插入图片描述

    灰度共生矩阵特征量

    共生矩阵实际上是两个像素点的联合直方图,对于图像中细而规则的纹理,成对像素点的二维直方图倾向于均匀分布;对于粗而规则的纹理,则倾向于最对角分布。

    1. 对比度
      度量 矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深,反差越大,效果越清晰;反之,对比值小,则沟纹浅,效果模糊。
      在这里插入图片描述
    2. 能量
      能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近,则能量较小,表示纹理细致;若其中一些值大,而其它值小,则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。
      在这里插入图片描述

    3. 图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时,熵最大;因此熵值表明了图像灰度分布的复杂程度,熵值越大,图像越复杂。
      在这里插入图片描述
    4. 逆方差
      逆方差反映了图像纹理局部变化的大小,若图像纹理的不同区域间较均匀,变化缓慢,逆方差会较,反之较小。
      在这里插入图片描述
    5. 相关性
      用来度量图像的灰度级在行或列方向上的相似程度,因此值得大小反应了局部灰度相关性,值越大,相关性也越大。
      在这里插入图片描述
      参考链接:https://blog.csdn.net/guanyuqiu/article/details/53117507

    灰度梯度共生矩阵

    灰度梯度共生矩阵模型集中反映了图像中两种最基本的要素,即像点的灰度和梯度(或边缘)的相互关系。各像点的灰度是构成一副图像的基础,而梯度是构成图像边缘轮廓的要素,图像的主要信息是由图像的边缘轮廓提供的。

    灰度梯度共生矩阵的分类结果比用灰度共生矩阵好,因为灰度共生矩阵仅用的灰度的信息,而灰度梯度共生矩阵把图像的灰度与梯度信息都用了。

    灰度一梯度共生矩阵的元素H( i,j ) 定义为在归 一的灰度图象F( m,n ) 和归一的梯度图象G ( m,n ) 中共同具有灰度为 i 和梯度为 j 的总象点数 . 例如 H ( 10,12 ) =20 , 即图象内象点灰度为10 , 梯度为12的总象点数为20. 以图象的总象点数归一后得到概率为p( i,j )。

    在这里插入图片描述在这里插入图片描述
    摘自论文:洪继光《灰度一梯度共生矩阵纹理分析方法》

    展开全文
  • 经检验,方便可用,输入为一幅灰度图像,彩色图像可采用rgb2gray转换,输出为图像的15个特征,可广泛应用于图像特征提取,图像检索及图像质量评价领域!
  • 我下了一个用灰度梯度共生矩阵提取纹理特征的源程序,现在我处理图像 比如说matlab自带的一幅图像cions.png下面是源程序:function OUT=GrayGradinet(IN)% 灰度梯度共生矩阵 H%归一化灰度梯度矩阵 H_basic%小梯度...

    我下了一个用灰度梯度共生矩阵提取纹理特征的源程序,现在我处理图像 比如说matlab自带的一幅图像cions.png

    下面是源程序:

    function OUT=GrayGradinet(IN)

    % 灰度梯度共生矩阵 H

    %归一化灰度梯度矩阵 H_basic

    %小梯度优势 T1

    % 大梯度优势 T2

    % 灰度分布的不均匀性 T3

    % 梯度分布的不均匀性 T4

    % 能量 T5

    % 灰度平均 T6

    % 梯度平均 T7

    % 灰度均方差 T8

    % 梯度均方差 T9

    % 相关 T10

    % 灰度熵 T11

    % 梯度熵 T12

    % 混合熵 T13

    % 惯性 T14

    % 逆差矩 T15

    IN=imread('coins.png');

    gray=256;

    % close all;

    %  figure, imshow(IN);

    gray=256;

    [R,C]=size(IN);

    %采用平方求和计算梯度矩阵

    GM=zeros(R-1,C-1);

    for i=1:R-1

    for j=1:C-1

    n_GM=(IN(i,j+1)-IN(i,j))^2+(IN(i+1,j)-IN(i,j))^2;

    GM(i,j)=sqrt(double(n_GM));

    end

    end

    % figure,imshow(GM);

    %找出最大值最小值

    n_min=min(GM(:));

    n_max=max(GM(:));

    %把梯度图象灰度级离散化

    %设置新的灰度级为new_gray

    new_gray=32;

    %新的梯度矩阵为new_GM

    new_GM=zeros(R-1,C-1);

    new_GM=uint8((GM-n_min)/(n_max-n_min)*(new_gray-1));

    %计算灰度梯度共生矩阵

    %梯度矩阵比轨度矩阵维数少1,忽略灰度矩阵最外围

    H=zeros(gray,new_gray);

    for i=1:R-1

    for j=1:C-1

    H(IN(i,j)+1,new_GM(i,j)+1)= H(IN(i,j)+1,new_GM(i,j)+1)+1;

    end

    end

    %归一化灰度梯度矩阵 H_basic

    total=i*j;

    H_basic=H/total;

    %小梯度优势 T1

    TT=sum(H);

    T1=0;

    for j=1:new_gray

    T1=T1+TT(1,j)/j^2;

    end

    T1=T1/total;

    %计算大梯度优势 T2

    T2=0;

    for j=1:new_gray

    T2=T2+TT(1,j)*(j-1);

    end

    T2=T2/total;

    %计算灰度分布的不均匀性 T3

    T3=0;

    TT1=sum(H');

    for j=1:gray

    T3=T3+TT1(1,j)^2;

    end

    T3=T3/total;

    %计算梯度分布的不均匀性 T4

    T4=0;

    for j=1:new_gray

    T4=T4+TT(1,j)^2;

    end

    T4=T4/total;

    %计算能量 T5

    T5=0;

    for i=1:gray

    for j=1:new_gray

    T5=T5+H_basic(i,j)^2;

    end

    end

    %计算灰度平均 T6

    TT2=sum((H_basic)');

    T6=0;

    for j=1:gray

    T6=T6+(j-1)*TT2(1,j);

    end

    %计算梯度平均 T7

    T7=0;

    TT3=sum(H_basic);

    for j=1:new_gray

    T7=T7+(j-1)*TT3(1,j);

    end

    %计算灰度均方差 T8

    T8=0;

    for j=1:gray

    T8=T8+(j-1-T6)^2*TT2(1,j);

    end

    T8=sqrt(T8);

    %计算梯度均方差 T9

    T9=0;

    for j=1:new_gray

    T9=T9+(j-1-T7)^2*TT3(1,j);

    end

    T9=sqrt(T9);

    % 计算相关 T10

    T10=0;

    for i=1:gray

    for j=1:new_gray

    T10=T10+(i-1-T6)*(j-1-T7)*H_basic(i,j);

    end

    end

    %计算灰度熵 T11

    T11=0;

    for j=1:gray

    T11=T11+TT2(1,j)*log10(TT2(1,j)+eps);

    end

    T11=-T11;

    %计算梯度熵 T12

    T12=0;

    for j=1:new_gray

    T12=T12+TT3(1,j)*log10(TT3(1,j)+eps);

    end

    T12=-T12;

    %计算混合熵 T13

    T13=0;

    for i=1:gray

    for j=1:new_gray

    T13=T13+H_basic(i,j)*log10(H_basic(i,j)+eps);

    end

    end

    T13=-T13;

    %计算惯性 T14

    T14=0;

    for i=1:gray

    for j=1:new_gray

    T14=T14+(i-j)^2*H_basic(i,j);

    end

    end

    %计算逆差矩 T15

    T15=0;

    for i=1:gray

    for j=1:new_gray

    T15=T15+H_basic(i,j)/(1+(i-j)^2);

    end

    end

    x=1:50:750;

    OUT(1,1)=T1;

    OUT(1,2)=T2;

    OUT(1,3)=T3;

    OUT(1,4)=T4;

    OUT(1,5)=T5;

    OUT(1,6)=T6;

    OUT(1,7)=T7;

    OUT(1,8)=T8;

    OUT(1,9)=T9;

    OUT(1,10)=T10;

    OUT(1,11)=T11;

    OUT(1,12)=T12;

    OUT(1,13)=T13;

    OUT(1,14)=T14;

    OUT(1,15)=T15;

    % if num>2

    %     plot(x,OUT,'-');

    %     hold on;

    % else

    %     plot(x,OUT,'-*r');

    %     hold on;

    % end

    然后我>> IN=imread(coins.png);

    >> OUT=GrayGradinet(IN)

    OUT =

    1.0e+004 *

    Columns 1 through 8

    0.0000    0.0006    0.1618    1.5942    0.0000    0.0103    0.0006    0.0056

    Columns 9 through 15

    0.0010    0.0196    0.0002    0.0001    0.0003    1.2302    0.0000

    下面怎么做呢 ???(图像变成什么样子了?,提取出来的共生矩阵是什么)?

    [本帖最后由 mooni 于 2009-6-1 13:32 编辑]

    展开全文
  • 提出一种基于Gabor变换和灰度梯度共生矩阵的人耳身份识别方法。首先,利用Gabor变换和灰度-梯度共生矩阵融合提取人耳图像的纹理特征,然后采用K-NN分类器对特征进行分类。该方法用USTB人耳图像库做测试。实验结果...
  • 灰度梯度共生矩阵--python

    千次阅读 多人点赞 2018-06-06 18:38:34
    上一篇博客中,笔者利用python实现了基于灰度共生矩阵方法的纹理特征的提取,本文将利用python实现基于灰度梯度共生矩阵的纹理特征的提取。 灰度梯度共生矩阵(Gray Level-GradientCo-occurrence Matrix)将图梯度...

    上一篇博客中,笔者利用python实现了基于灰度共生矩阵方法的纹理特征的提取,本文将利用python实现基于灰度梯度共生矩阵的纹理特征的提取。

    灰度梯度共生矩阵(Gray Level-GradientCo-occurrence Matrix)将图梯度信息加入到灰度共生矩阵中,综合利用图像的灰度与梯度信息,效果更好。图像的梯度信息一般通过梯度算子(也称边缘检测算子)提取,如sobel、canny、reborts等。基于规范化后的灰度梯度共生矩阵,可以计算一系列的二次统计特征。如下为15个常用的数字特征:小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩。
    可以分布通过公式计算上述15个值,下面只贴出部分公式:
    glgcm
    本文中利用sobel算子计算图像梯度信息,在得到glgcm矩阵后,计算了上述15个常用的特征值。

    import cv2
    import numpy as np
    from numba import jit
    np.set_printoptions(suppress=True) # 输出时禁止科学表示法,直接输出小数值
    
    def glgcm(img_gray, ngrad=16, ngray=16):
        '''Gray Level-Gradient Co-occurrence Matrix,取归一化后的灰度值、梯度值分别为16、16'''
        # 利用sobel算子分别计算x-y方向上的梯度值
        gsx = cv2.Sobel(img_gray, cv2.CV_64F, 1, 0, ksize=3)
        gsy = cv2.Sobel(img_gray, cv2.CV_64F, 0, 1, ksize=3)
        height, width = img_gray.shape
        grad = (gsx ** 2 + gsy ** 2) ** 0.5 # 计算梯度值
        grad = np.asarray(1.0 * grad * (ngrad-1) / grad.max(), dtype=np.int16)
        gray = np.asarray(1.0 * img_gray * (ngray-1) / img_gray.max(), dtype=np.int16) # 0-255变换为0-15
        gray_grad = np.zeros([ngray, ngrad]) # 灰度梯度共生矩阵
        for i in range(height):
            for j in range(width):
                gray_value = gray[i][j]
                grad_value = grad[i][j]
                gray_grad[gray_value][grad_value] += 1
        gray_grad = 1.0 * gray_grad / (height * width) # 归一化灰度梯度矩阵,减少计算量
        glgcm_features = get_glgcm_features(gray_grad)
        return glgcm_features
    @jit
    def get_glgcm_features(mat):
        '''根据灰度梯度共生矩阵计算纹理特征量,包括小梯度优势,大梯度优势,灰度分布不均匀性,梯度分布不均匀性,能量,灰度平均,梯度平均,
        灰度方差,梯度方差,相关,灰度熵,梯度熵,混合熵,惯性,逆差矩'''
        sum_mat = mat.sum()
        small_grads_dominance = big_grads_dominance = gray_asymmetry = grads_asymmetry = energy = gray_mean = grads_mean = 0
        gray_variance = grads_variance = corelation = gray_entropy = grads_entropy = entropy = inertia = differ_moment = 0
        for i in range(mat.shape[0]):
            gray_variance_temp = 0
            for j in range(mat.shape[1]):
                small_grads_dominance += mat[i][j] / ((j + 1) ** 2)
                big_grads_dominance += mat[i][j] * j ** 2
                energy += mat[i][j] ** 2
                if mat[i].sum() != 0:
                    gray_entropy -= mat[i][j] * np.log(mat[i].sum())
                if mat[:, j].sum() != 0:
                    grads_entropy -= mat[i][j] * np.log(mat[:, j].sum())
                if mat[i][j] != 0:
                    entropy -= mat[i][j] * np.log(mat[i][j])
                    inertia += (i - j) ** 2 * np.log(mat[i][j])
                differ_moment += mat[i][j] / (1 + (i - j) ** 2)
                gray_variance_temp += mat[i][j] ** 0.5
    
            gray_asymmetry += mat[i].sum() ** 2
            gray_mean += i * mat[i].sum() ** 2
            gray_variance += (i - gray_mean) ** 2 * gray_variance_temp
        for j in range(mat.shape[1]):
            grads_variance_temp = 0
            for i in range(mat.shape[0]):
                grads_variance_temp += mat[i][j] ** 0.5
            grads_asymmetry += mat[:, j].sum() ** 2
            grads_mean += j * mat[:, j].sum() ** 2
            grads_variance += (j - grads_mean) ** 2 * grads_variance_temp
        small_grads_dominance /= sum_mat
        big_grads_dominance /= sum_mat
        gray_asymmetry /= sum_mat
        grads_asymmetry /= sum_mat
        gray_variance = gray_variance ** 0.5
        grads_variance = grads_variance ** 0.5
        for i in range(mat.shape[0]):
            for j in range(mat.shape[1]):
                corelation += (i - gray_mean) * (j - grads_mean) * mat[i][j]
        glgcm_features = [small_grads_dominance, big_grads_dominance, gray_asymmetry, grads_asymmetry, energy, gray_mean, grads_mean,
            gray_variance, grads_variance, corelation, gray_entropy, grads_entropy, entropy, inertia, differ_moment]
        return np.round(glgcm_features, 4)
    
    if __name__=='__main__':
        fp = '/home/mamq//images/3.jpg'
        img = cv2.imread(fp)
        img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        glgcm_features = glgcm(img_gray, 15, 15)
        print glgcm_features

    建议可以使用numba的jit装饰器,在数据量较大的时候能够提高效率。

    展开全文
  • 灰度共生矩阵和灰度梯度共生矩阵的提取方式,是比较重要的纹理特征提取方法,用matlab实现的
  • 灰度-梯度共生矩阵的元素定义为在归一化的灰度图像和归一化的梯度图像中共同具有灰度为和梯度为的像素点数。例如,表示图像内像素点灰度为10,梯度为5的像素点个数是45。 1.灰度归一化 其中是归一化后的最大灰度...
  • 基于灰度梯度共生矩阵,计算混合熵对图像实现分类
  • 为了有效地检测出图像型垃圾邮件,提出了一种基于灰度梯度共生矩阵(GGCM,gray-gradient co-occurrence matrix)的图像型垃圾邮件识别方法。先通过灰度梯度共生矩阵提取图像的特征信息,然后运用最小二乘支持向量...
  • 纹理特征提取技术,包括灰度共生矩阵灰度梯度矩阵,用于图像的分类识别
  • 在分析小波域灰度梯度共生矩阵对梯度特性描述的基础上,设计了一种模糊度评价指标.在遥感影像小波域统计特性,即不同子带对噪声和模糊敏感程度不同的基础上,没计了一种抗噪声的遥感影像模糊度评价指标.实验表明:...
  • 灰度梯度共生矩阵纹理特征

    万次阅读 2016-05-22 14:32:13
    灰度梯度共生矩阵 一、灰度梯度共生矩阵的感知  灰度梯度共生矩阵模型集中反映了图像中两种最基本的要素,即像点的灰度和梯度(或边缘)的相互关系。各像点的灰度是构成一副图像的基础,而梯度是构成图像边缘轮廓的...
  • 关于灰度-梯度共生矩阵的经典论文,费了好大的劲收集的,拿出来和大家共享
  • 以Hu矩组及灰度梯度共生矩阵为特征参数的磨粒自动分类_朱江
  • 此程序将一幅图像的灰度梯度共生矩阵及相关参数算出
  • 灰度共生矩阵纹理特征提取的Matlab实现
  • MATLAB灰度共生矩阵纹理特征提取

    热门讨论 2013-07-17 21:13:46
    MATLAB 灰度共生矩阵 纹理特征提取 粗糙度、对比度、方向度等,源代码
  • 我自己实现的灰度共生矩阵提取结肠癌图像特征,并利用计算机辅助诊断的方法SVM分类Matlab代码。
  • 灰度-梯度共生矩阵模型的加权条件熵阈值法张弘;范九伦【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)006【摘要】基于二维灰度直方图的最大熵阈值法是依据"灰度-灰度均值"构成直方图的图像分割方法,该方法...
  • 通过纹理分析,利用灰度共生矩阵惯性矩特征值能够反映图像灰度空间复杂度的特性,成功获取了LOG边缘检测算子最佳空间系数,抑制了图像中的大部分噪声.并通过基于TMS320C6000专用信号处理器的图像处理系统实现了图像边缘...
  • 金文图像识别的关键步骤是提取金文的图像特征,针对金文的形态特点,提出了一种基于方向梯度直方图(HOG)和灰度共生矩阵(GLCM)的金文图像识别算法。使用双边滤波对金文图像进行预处理,针对金文的结构特征和局部纹理特征...
  • 灰度共生矩阵及特征提取—OpenCV

    万次阅读 2016-11-04 10:06:11
    因为OpenCV中自带的灰度共生矩阵的计算使用过程中,经常出现问题;之前在项目中使用了别人基于OpenCV重新编写cl_texture的灰度共生矩阵,但该代码只能在MFC环境下使用,且不能释放内存;现有的网上流行的基于OpenCV...
  • 纹理特征提取方法:LBP, 灰度共生矩阵

    万次阅读 多人点赞 2017-05-10 17:21:27
    纹理特征提取方法:LBP, 灰度共生矩阵在前面的博文《图像纹理特征总体简述》中,笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。参考网址: 《纹理特征提取》 《【纹理特征】LBP 》 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 571
精华内容 228
关键字:

灰度梯度共生矩阵