精华内容
下载资源
问答
  • 灰度共生矩阵matlab代码 灰度共生矩阵matlab代码
  • 灰度共生矩阵matlab

    2015-01-08 15:24:14
    灰度共生矩阵matlab程序,包括实现对灰度共生矩阵的纹理特征提取
  • GLCM-SVM哈拉里克 哈拉里克 活力 熵 对比 方差 相关性 同质性 平均总和 和熵 方差总和 差异方差 差异熵 相关性的信息量度I 相关性的信息量度II ... 司法参考: ://doi.org/10.1371/journal.pone.0212110
  • 灰度共生矩阵matlab源码 基础信息 项目网页: 项目导师:Alan Ip, Chao Chen 项目目标:识别电视新闻、综艺、电视剧集等具体场景中的字幕文本 学校:同济大学 队伍名称:学习机器学习队 原仓库地址: from ...
  • 很好的灰度共生矩阵特征提取MATLAB代码,实用,得到了灰度共生矩阵各个特征的值。
  • 灰度共生矩阵Matlab中实现

    千次阅读 2018-11-16 22:19:25
    <h2 id="...[转载]Matlab中实现灰度共生矩阵</h2> <span class="time SG_txtc">(2014-12-08 20:18:02)</span><div class=&
    							<h2 id="t_ad4d75200102v9ms" class="titName SG_txta">[转载]Matlab中实现灰度共生矩阵</h2>
    		
    				<span class="time SG_txtc">(2014-12-08 20:18:02)</span><div class="turnBoxzz"><a href="javascript:;" class="SG_aBtn SG_aBtn_ico SG_turn" action-type="reblog" action-data="{srcBlog:0, blogId:'7c2012a90100y5yo'}"><cite><img class="SG_icon SG_icon111" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" width="15" height="15" align="absmiddle">转载<em class="arrow">▼</em></cite></a></div>		</div>
    	<div class="articalTag" id="sina_keyword_ad_area">
    		<table>
    			<tbody><tr>
    				<td class="blog_tag">
    				<script>
    				var $tag='转载';
    				var $tag_code='b60b8621e290ec1937052e00bbb0002d';
    				var $r_quote_bligid='7c2012a90100y5yo';
    				var $worldcup='0';
    				var $worldcupball='0';
    				</script>
    										<span class="SG_txtb">标签:</span>
    																			<h3><a href="http://search.sina.com.cn/?c=blog&amp;q=%D7%AA%D4%D8&amp;by=tag" target="_blank">转载</a></h3>
    															</td>
    				<td class="blog_class">
    										<span class="SG_txtb">分类:</span>
    					<a target="_blank" href="http://blog.sina.com.cn/s/articlelist_2907534624_2_1.html">科研</a>
    									</td>
    			</tr>
    		</tbody></table>
    	</div>
    					<!-- 正文开始 -->
    	<div id="sina_keyword_ad_area2" class="articalContent   newfont_family">
    		谢谢分享~~~<div class="blogzz_abstract borderc" style="padding-top:15px;margin:20px 0; border:none; border-top:1px dotted #ccc;"><div class="blogzz_ainfo" style="margin-bottom:12px;"><span style="margin-right:25px;"><strong>原文地址:</strong><a target="_blank" href="http://blog.sina.com.cn/s/blog_7c2012a90100y5yo.html" title="Matlab中实现灰度共生矩阵">Matlab中实现灰度共生矩阵</a></span><span><strong>作者:</strong><a href="http://blog.sina.com.cn/u/2082476713" title="louis" target="_blank">louis</a></span></div><div class="blogzz_acon">%**************************************************************************<br>
    

                     
    图像检索——纹理特征

    %基于共生矩阵纹理特征提取,d=1,θ=0°,45°,90°,135°共四个矩阵

    %所用图像灰度级均为256

    %参考《基于颜色空间和纹理特征的图像检索》

    %function : T=Texture(Image)

    %Image    :
    输入图像数据

    %T       
    : 返回八维纹理特征行向量

    %**************************************************************************

    % function T = Texture(Image)

    Gray = imread(‘d:result5.bmp’);

    [M,N,O] = size(Gray);

    M = 128;

    N = 128;



    %--------------------------------------------------------------------------

    %1.将各颜色分量转化为灰度

    %--------------------------------------------------------------------------

    % Gray =
    double(0.3Image(:,:,1)+0.59Image(:,:,2)+0.11*Image(:,:,3));



    %--------------------------------------------------------------------------

    %2.为了减少计算量,对原始图像灰度级压缩,将Gray量化成16级

    %--------------------------------------------------------------------------

    for i = 1:M

        for j =
    1:N

           
    for n = 1:256/16

               
    if
    (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15

                   
    Gray(i,j) = n-1;

               
    end

           
    end

        end

    end



    %--------------------------------------------------------------------------

    %3.计算四个共生矩阵P,取距离为1,角度分别为0,45,90,135

    %--------------------------------------------------------------------------

    P = zeros(16,16,4);

    for m = 1:16

        for n =
    1:16

           
    for i = 1:M

               
    for j = 1:N

                   
    if
    j<N&Gray(i,j)==m-1&Gray(i,j+1)==n-1

                       
    P(m,n,1) = P(m,n,1)+1;

                       
    P(n,m,1) = P(m,n,1);

                   
    end

                   
    if
    i>1&j<N&Gray(i,j)==m-1&Gray(i-1,j+1)==n-1

                       
    P(m,n,2) = P(m,n,2)+1;

                       
    P(n,m,2) = P(m,n,2);

                   
    end

                   
    if
    i<M&Gray(i,j)==m-1&Gray(i+1,j)==n-1

                       
    P(m,n,3) = P(m,n,3)+1;

                       
    P(n,m,3) = P(m,n,3);

                   
    end

                   
    if
    i<M&j<N&Gray(i,j)==m-1&Gray(i+1,j+1)==n-1

                       
    P(m,n,4) = P(m,n,4)+1;

                       
    P(n,m,4) = P(m,n,4);

                   
    end

               
    end

           
    end

           
    if m==n

               
    P(m,n,:) = P(m,n,:)*2;

           
    end

        end

    end



    %%---------------------------------------------------------

    % 对共生矩阵归一化

    %%---------------------------------------------------------

    for n = 1:4

        P(:,:,n) =
    P(:,:,n)/sum(sum(P(:,:,n)));

    end



    %--------------------------------------------------------------------------

    %4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数

    %--------------------------------------------------------------------------

    H = zeros(1,4);

    I = H;

    Ux =
    H;     
    Uy = H;

    deltaX= H;  deltaY = H;

    C =H;

    for n = 1:4

        E(n) =
    sum(sum(P(:,:,n).^2)); %%能量

        for i =
    1:16

           
    for j = 1:16

               
    if P(i,j,n)~=0

                   
    H(n) = -P(i,j,n)log(P(i,j,n))+H(n); %%熵

               
    end

               
    I(n) = (i-j)^2
    P(i,j,n)+I(n);  %%惯性矩

              

               
    Ux(n) = iP(i,j,n)+Ux(n); %相关性中μx

               
    Uy(n) = j
    P(i,j,n)+Uy(n); %相关性中μy

           
    end

        end

    end

    for n = 1:4

        for i =
    1:16

           
    for j = 1:16

               
    deltaX(n) = (i-Ux(n))^2P(i,j,n)+deltaX(n); %相关性中σx

               
    deltaY(n) = (j-Uy(n))^2
    P(i,j,n)+deltaY(n); %相关性中σy

               
    C(n) =
    ijP(i,j,n)+C(n);            

           
    end

        end

        C(n) =
    (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n);
    %相关性  

    end



    %--------------------------------------------------------------------------

    %求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征

    %--------------------------------------------------------------------------

    a1 = mean(E)  

    b1 = sqrt(cov(E))



    a2 = mean(H)

    b2 = sqrt(cov(H))



    a3 = mean(I) 

    b3 = sqrt(cov(I))



    a4 = mean©

    b4 = sqrt(cov©)



    sprintf(‘0,45,90,135方向上的能量依次为: %f, %f, %f,
    %f’,E(1),E(2),E(3),E(4))  % 输出数据;

    sprintf(‘0,45,90,135方向上的熵依次为: %f, %f, %f,
    %f’,H(1),H(2),H(3),H(4))  % 输出数据;

    sprintf(‘0,45,90,135方向上的惯性矩依次为: %f, %f, %f,
    %f’,I(1),I(2),I(3),I(4))  % 输出数据;

    sprintf(‘0,45,90,135方向上的相关性依次为: %f, %f, %f,
    %f’,C(1),C(2),C(3),C(4))  % 输出数据;







    0



                                <div class="upBox upBox_add">
                    <p class="count" id="goldPan-num">0</p>
                    <p class="link" id="goldPan-give"><img class="SG_icon SG_icon214" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" width="20" height="16" title="赠金笔" align="absmiddle">赠金笔</p>
                </div>
                
            </div>
            <div class="clearit"></div>
    	</div>
    	<div class="articalInfo">
    		<!-- 分享到微博 {$t_blog} -->
    		<div class="IL">
    			阅读<span id="r_ad4d75200102v9ms" class="SG_txtb">(93)</span><em class="SG_txtb">┊</em> 
    			<a href="#commonComment">评论</a> <span id="c_ad4d75200102v9ms" class="SG_txtb">(0)</span><em class="SG_txtb">┊</em>				<a href="javascript:;" onclick="$articleManage('ad4d75200102v9ms',5);return false;">收藏</a><span id="f_ad4d75200102v9ms" class="SG_txtb">(0)</span>
    			<em class="SG_txtb">┊</em><a href="#" onclick="scope.articel_quote_alert &amp;&amp; scope.articel_quote_alert('7c2012a90100y5yo');return false;">转载原文</a>				<span id="fn_[转载]Matlab中实现灰度共生矩阵" class="SG_txtb"></span><em class="SG_txtb">┊</em>
    			<a onclick="return false;" href="javascript:;"><cite id="d1_digg_ad4d75200102v9ms">喜欢</cite></a><a id="d1_digg_down_ad4d75200102v9ms" href="javascript:;"><b>▼</b></a>
    								<em class="SG_txtb">┊</em><a href="http://blog.sina.com.cn/main_v5/ria/print.html?blog_id=blog_ad4d75200102v9ms" target="_blank">打印</a><em class="SG_txtb">┊</em><a id="q_ad4d75200102v9ms" onclick="report('ad4d75200102v9ms');return false;" href="#">举报</a>
    										</div>
    		<div class="IR">
    			<table>
    				<tbody><tr><!--
    				-->
    				</tr>
    								</tbody></table>
    		</div>
    	</div>
    	<div class="clearit"></div>
    	<div class="blogzz_zzlist borderc" id="blog_quote" style="display:none">加载中,请稍候......</div>
    	<div class="articalfrontback SG_j_linedot1 clearfix" id="new_nextprev_ad4d75200102v9ms">
    						<div><span class="SG_txtb">前一篇:</span><a href="http://blog.sina.com.cn/s/blog_ad4d75200102v9mr.html">[转载]【转载】MATLAB&nbsp;Toolbox&nbsp;大全(四)</a></div>
    									<div><span class="SG_txtb">后一篇:</span><a href="http://blog.sina.com.cn/s/blog_ad4d75200102vb48.html">2014未完成</a></div>
    				</div>
    	<div class="clearit"></div>
    						
    	<div id="loginFollow"></div>
    			<div class="allComm">
    		<div class="allCommTit">
    			<div class="SG_floatL">
    			    <strong>评论</strong>
    			    <span id="commAd_1" style="display:none;">
    			        <span style="margin-left:15px; width:220px; display:inline-block;"><a target="_blank" href="http://blog.sina.com.cn/lm/8/2009/0325/105340.html">重要提示:警惕虚假中奖信息</a></span>
    			    </span>
    			</div>
    			<div class="SG_floatR"><a class="CP_a_fuc" href="#post">[<cite>发评论</cite>]</a></div>
    		</div>
    		<ul id="article_comment_list" class="SG_cmp_revert"><li><div class="noCommdate"><span class="SG_txtb">做第一个评论者吧! <img class="SG_icon SG_icon134" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" width="18" height="18" title="" align="absmiddle"><a href="#post">抢沙发&gt;&gt;</a></span></div></li></ul>
    		<div class="clearit"></div>
    		<div class="myCommPages SG_j_linedot1" style="display: none;">
    			<div class="SG_page" id="commentPaging" style="display:none;">
    				<ul class="SG_pages">
    				</ul>
    			</div>
    			<div class="clearit"></div>
    		</div>
    		<a name="post"></a>
    		<div class="writeComm">
    			<div class="allCommTit">
    				<div class="SG_floatL">
    				    <strong>发评论</strong>
    				    <span></span>
    				</div>
    				<div class="SG_floatR"></div>
    			</div>
    			<div class="wrCommTit">
    				<div class="SG_floatL" id="commentNick" style="">用户5148481065&nbsp;:</div>
    			</div>
    			<div class="formTextarea">
    				<div style="float:left;" id="commonComment">
    				<iframe id="postCommentIframe" frameborder="0" style="border:1px solid #C7C7C7;
    	height:158px;width:448px;maring-top:1px;background-color:white;" src="http://blog.sina.com.cn/main_v5/ria/blank2.html"></iframe>
    				<textarea id="commentArea" tabindex="1" style="display:none;"></textarea>
    				</div>
    				<div id="mobileComment" style="float:left;display:none;">
    					<textarea id="mbCommentTa" style="width:438px;height:150px;border:1px solid #C7C7C7;line-height:18px;padding:5px;"></textarea>
    				</div>
    				<div class="faceblk" id="faceWrap">
    					<div id="smilesSortShow" class="faceline1">
    					<div class="facestyle" id="recomm_1542359428673"><a href="#" key="302"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/302-25.gif" alt="小新小浪" title="小新小浪"></a><a href="#" key="308"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/308-25.gif" alt="炮炮兵" title="炮炮兵"></a><a href="#" key="315"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/315-25.gif" alt="张富贵" title="张富贵"></a><a href="#" key="316"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/316-25.gif" alt="旺狗" title="旺狗"></a><a href="#" key="331"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/331-25.gif" alt="悠嘻猴" title="悠嘻猴"></a><a href="#" key="351"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/351-25.gif" alt="酷巴熊" title="酷巴熊"></a></div><span class="SG_more"><a href="#">更多&gt;&gt;</a></span><div class="clearit"></div></div>
    					<ul id="smilesRecommended" class="faceline01"><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0321EN00SIGT.gif" alt="就不买你" title="就不买你" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0320EN00SIGT.gif" alt="股市" title="股市" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0319EN00SIGT.gif" alt="发霉" title="发霉" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0318EN00SIGT.gif" alt="陈水边" title="陈水边" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0317EN00SIGT.gif" alt="裁员" title="裁员" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0316EN00SIGT.gif" alt="音乐" title="音乐" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0315EN00SIGT.gif" alt="贴你" title="贴你" height="50" width="50"></a></li><li><a href="#"><img src="http://www.sinaimg.cn/uc/myshow/blog/misc/gif/E___0314EN00SIGT.gif" alt="抢车位" title="抢车位" height="50" width="50"></a></li></ul>
    				</div>
    				<div class="clearit"></div>
    			</div>
    			<div class="formLogin">
    				<div class="SG_floatL"> 
    				<p id="commentlogin" style="display:none;"><span>登录名:</span><input type="text" style="width: 115px;" id="login_name" tabindex="2">   <span>密码:</span><input type="password" style="width: 115px;" id="login_pass" tabindex="3">   <a href="https://login.sina.com.cn/getpass.html" target="_blank">找回密码</a>   <a href="https://login.sina.com.cn/signup/signup.php?entry=blog&amp;src=blogicp&amp;srcuid=2907534624" target="_blank">注册</a>	<input type="checkbox" id="login_remember"><label for="login_remember" style="display:inline-block;" title="建议在网吧/公用电脑上取消该选项">记住登录状态</label></p><p id="commentloginM" style="display:none;"><span>昵&nbsp;&nbsp;&nbsp;称:</span><input type="text" style="width: 115px;" id="comment_anonyous" value="新浪网友" tabindex="2" disabled=""></p><p id="quote_comment_p"><!--<input type="checkbox" id="bb"> <label for="bb"><img height="18" align="absmiddle" width="18" title="" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" class="SG_icon SG_icon110">分享到微博 <img height="15" align="absmiddle" width="15" title="新" src="http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif" class="SG_icon SG_icon11"></label>&nbsp;&nbsp;&nbsp;--></p>
    				<p id="geetest-box"></p>
    				</div>
    
    				<span style="display: none; color: rgb(153, 153, 153); margin-left: 10px;" id="login_remember_caution"></span>
    
    										<!--<div class="SG_floatR" id="anonymity_cont"><input type="checkbox" id="anonymity"/><label for="anonymity">匿名评论</label></div>-->
    								</div>
    			<div class="formBtn">
    				<a href="javascript:;" onclick="return false;" class="SG_aBtn" tabindex="5"><cite id="postcommentid">发评论</cite></a>
    				<p class="SG_txtc">以上网友发言只代表其个人观点,不代表新浪网的观点或立场。</p>
    			</div>
    		</div>
    	</div>
    			<div class="clearit"></div>
    	
    			<div class="articalfrontback articalfrontback2 clearfix">
    					  <div class="SG_floatL"><span class="SG_txtb">&lt;&nbsp;前一篇</span><a href="http://blog.sina.com.cn/s/blog_ad4d75200102v9mr.html">[转载]【转载】MATLAB&nbsp;Toolbox&nbsp;大全(四)</a></div>
    								  <div class="SG_floatR"><span class="SG_txtb">后一篇&nbsp;&gt;</span><a href="http://blog.sina.com.cn/s/blog_ad4d75200102vb48.html">2014未完成</a></div>
    				</div>
    	<div class="clearit"></div>
    			
    </div>
    
    展开全文
  • 实验室师兄写的代码,使用灰度共生矩阵计算图像的纹理复杂度,然后可以用来衡量嵌入水印的多少。
  • 这是一种联合灰度统计量分析。图像中相对位置的两个灰度级的两个像素点对,其频数值作为矩阵的值。4个方向,步长距离因纹理而异。统计量一般为熵,能量,相关,反差。
  • 灰度共生矩阵作为机器视觉检测的方法之一,在最近几年被广泛使用。灰度共生矩阵主要在有三个辨别力最好的特征:对比度、熵和相关性,以上三种方法都是能量的体现
  • 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
  • 基于matlab的图像处理,灰度共生方法实现图像切割,六个指标都要,非常适合初学者学习
  • 通过该Matlab程序可以求取用于描述图像纹理特征的灰度共生矩阵参数(能量、熵、惯性矩、相关性)。可以分别求取0,45°,90°,135°方向上的特征参数,同时可以求出这些特征参数的平均值与标准差。
  • 采用MATLAB语言计算影像窗口的灰度共生矩阵
  • 用于图像纹理特征提取的灰度共生矩阵matlab例子
  • 运用MATLAB R2014a来完成灰度共生矩阵各特征参数的求解。以纸作为纹理分析的对象。首先需将彩色图像将各颜色分量转化为灰度。所用图像的灰度级为256。为了减少计算量,对原始图像灰度级压缩,将灰度量化成16级。计算...
  • 194 信息技术 灰度共生矩阵和颜色自相关图矩阵的matlab实现文⊙ 菅小艳(太原师范学院 山西太原) 摘要: 基于内容的图像检索是当今人们研究的热点,本文通过matlab2006 算法实现了灰度共生矩阵和颜色自相关矩阵,并...

    194 信息技术 灰度共生矩阵和颜色自相关图矩阵的matlab实现文⊙ 菅小艳(太原师范学院 山西太原) 摘要: 基于内容的图像检索是当今人们研究的热点,本文通过matlab2006 算法实现了灰度共生矩阵和颜色自相关矩阵,并论述了它们的关系。 关键词: 灰度共生矩阵;颜色自相关矩阵;matlab 实现 颜色、纹理及形状等特征是图像的低层特征,灰度共生矩阵[1]是一种纹理特征,颜色自相关图矩阵[2]是一种颜色特征,它们之间有着一定的内在联系,本文基于matlab2006 实现了这两种算法,现作以简介。 一、灰度共生矩阵的实现 灰度共生矩阵(Gray level co-occur-rence matrix)反映了图像中任意两点灰度的相关性,根据它可进行纹理特征的抽取及分析。下面的函数GLCMATIX 实现图像si的灰度共生矩阵,即实现在偏移量offset(可以分别表示四个方向上、距离为d )下的像素点在图像si 中出现的概率。offset 是形如[0 -1]、[2 2]等偏移量,其中[0 -1]表示在 方向上像素点与其左边相邻像素点之间的关系。[2 2]表示像素点与右上方与其成 角、距离为2 的像素点间的关系。总共可以有8 类偏移量:[0 d],[0 – d],[d d],[-d -d],[d 0],[-d 0], [-d d],[d -d]。nl 表示图像si 包含的像素值的个数。function out=GLCMATIX(si,offset, nl) % computes GLCM given one Offset s = size(si);[r,c] = meshgrid(1:s(1),1:s(2));r = r(:);c = c(:);r2 = r + offset(1);c2 = c + offset(2); % 去掉下标超出图像边界的象素和它的邻接象素 bad = find(c2 < 1 | c2 > s(2) | r2 < 1 | r2 > s(1)); Index = [r c r2 c2]; Index(bad,:) = []; % 分别以(r,c)和(r2,c2)为索引找到图像si 中对应的象素值向量(v1 和 v2) v1 = si(sub2ind(s,Index(:,1),In- dex(:,2)));v2 = si(sub2ind(s,Index(:,3),In- dex(:,4)));v1 = v1(:); v2 = v2(:);Ind = [v1 v2];bad=find(v1~=v2);% 去掉象素值不相 同的行 Ind(bad,:)=[]; if isempty(Ind) oneGLCM = zeros(nl); else % 计算v1 和 v2 相同的象素对数,并用 nl × nl 矩阵列出来 oneGLCM2 = accumarray(Ind+1, 1, [nl nl]);end out=[];for i=1:nl out=[out oneGLCM2(i,i)];end % 输出为偏移量为offset的灰度共生矩阵 out=out(:); 如果要计算图像在方向上距离为1 的灰度共生矩阵,则只需要计算GLCMATIX (si,[0 1],nl)+GLCMATIX(si,[0 -1],nl)即可,其它方向类似。二、颜色自相关图矩阵的计算颜色自相关图(Color auto-correlogram)是一种常用的图像颜色特征提取法。 这里首先对RGB 图像进行量化为4 × 4 × 4 的二维图像I function ou

    展开全文
  • 灰度共生矩阵提取图像纹理特征,采用matlab实现,包括模糊c均值实现分类。代码完整,正确可运行。
  • 灰度共生矩 灰度共生矩阵特征值
  • 编写的是一个计算数字图像灰度共生矩阵及典型参数的MATLAB函数。
  • 图像的灰度共生矩阵 matlab

    千次阅读 2014-04-30 12:57:58
    灰度共生矩阵是像素距离和角度的矩阵函数,它通过计算图像中一定距离和一定方向的两点灰度之间的相关性,来反映图像在方向、间隔、变化幅度及快慢上的综合信息。 使用方法: glcm = graycomatrix(I) glcms = ...

    Gray-level co-occurrence matrix from an image

    图像的灰度共生矩阵

    灰度共生矩阵是像素距离和角度的矩阵函数,它通过计算图像中一定距离和一定方向的两点灰度之间的相关性,来反映图像在方向、间隔、变化幅度及快慢上的综合信息。

    使用方法:
    glcm = graycomatrix(I)
    glcms = graycomatrix(I,param1,val1,param2,val2,...)
    [glcms,SI] = graycomatrix(...)

    描述:
    glcms = graycomatrix(I) 产生图像I的灰度共生矩阵GLCM。它是通过计算两灰度值在图像I中水平相邻的次数而得到的 (也不必是水平相邻的次数,这一参数是可调的,可能通过Offsets来进行调整,比如[0 D]代表是水平方向,[-D D]代表是右上角45度方向,[-D 0]代表是竖直方向,即90度方向,而[-D -D]则代表是左上角,即135度方向),GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数。

    因为动态地求取图像的GLCM区间代价过高,我们便首先将灰度值转换到I的灰度区间里。如果I是一个二值图像,那么灰度共生矩阵就将图像转换到两级。如果I是一个灰度图像, 那将转换到8级。灰度的级数决定了GLCM的大小尺寸。你可以通过设定参数“NumLevels”来指定灰度的级数,还可以通过设置“GrayLimits"参数来设置灰度共生矩阵的转换方式。

    下图显示了如何求解灰度共生矩阵,以(1,1)点为例,GLCM(1,1)值为1说明只有一对灰度为1的像素水平相邻。GLCM(1,2)值为2,是因为有两对灰度为1和2的像素水平相邻。

     

     

    glcms = graycomatrix(I,param1,val1,param2,val2,...) 返回一个或多个灰度灰度共生矩阵,根据指定的参数。参数可以很简短,并且对大小写不敏感。

    参数

    'GrayLimits'  是两个元素的向量,表示图像中的灰度映射的范围,如果其设为[],灰度共生矩阵将使用图像I的最小及最大灰度值作为GrayLimits

    'NumLevels'    一个整数,代表是将图像中的灰度归一范围。举例来说,如果NumLevels为8,意思就是将图像I的灰度映射到1到8之间,它也决定了灰度共生矩阵的大小

    'Offset'   上面有解释,是一个p*2的整数矩阵,D代表是当前像素与邻居的距离,通过设置D值,即可设置角度
    Angle        Offset
      0              [0 D]
     45             [-D D]
     90             [-D 0]
    135            [-D -D]

    示例:

    计算灰度共生矩阵,并且返回缩放后的图像,SI
    I = [ 1 1 5 6 8 8; 2 3 5 7 0 2; 0 2 3 5 6 7];
    [glcm,SI] = graycomatrix(I,'NumLevels',9,'G',[])

    计算灰度图像的灰度共生矩阵
    I = imread('circuit.tif');
    glcm = graycomatrix(I,'Offset',[2 0]);

    灰度共生矩阵的特征:

    角二阶矩(Angular Second Moment, ASM)
    ASM=sum(p(i,j).^2)    p(i,j)指归一后的灰度共生矩阵
    角二阶矩是图像灰度分布均匀程度和纹理粗细的一个度量,当图像纹理绞细致、灰度分布均匀时,能量值较大,反之,较小。

    熵(Entropy, ENT)
    ENT=sum(p(i,j)*(-ln(p(i,j)))    
    是描述图像具有的信息量的度量,表明图像的复杂程序,当复杂程序高时,熵值较大,反之则较小。

    反差分矩阵(Inverse Differential Moment, IDM)
    IDM=sum(p(i,j)/(1+(i-j)^2))
    反映了纹理的清晰程度和规则程度,纹理清晰、规律性较强、易于描述的,值较大;杂乱无章的,难于描述的,值较小。

    展开全文
  • 灰度共生矩阵GLCM的matlab代码实现
  • 灰度共生矩阵GLCM及其matlab实现

    千次阅读 2018-11-12 11:10:16
    灰度共生矩阵GLCM及其matlab实现

    分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow

    也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!

                           

    Prerequisites

    概念

    计算方式

    对于精度要求高且纹理细密的纹理分布,我们取像素间距为d=1)出现的次数,如图所示,共出现九次,在两个方向上即是18次。


    这里写图片描述


    这里写图片描述

    matlab

    matlab相关工具箱函数

    使用灰度共生矩阵(GLCM)描述和提取图像纹理特征,是一个强大且流行的工具,自然matlab工具箱会提供相应的函数——graycomatrix

    给出一个图像矩阵,设置一些参数,得到其灰度共生矩阵,这就是函数的基本用法:

    [glcm, SI] = graycomatrix(I, ...)
      
    • 1

    主要的参数有二个,分别是

    1. NumLevels(灰度级数)

    最终glcm的size是NumLevels*NumLevels

    1. Offset(方向[0, 1; -1, 1; -1, 0; -1, -1]):

    [0, 1]中的1表示的偏移数(offset),当然也可以取2或者更多,如上文所说,对于精度要求高且图像纹理本身即很丰富的图像来说,为了更精细地刻画,我们取偏移量(offset)为1

    我们将原始I转换为SI,对SI计算GLCM,SI中元素的值介于[1, NumLevels]之间。

    I = [     1 1 5 6 8 8;     2 3 5 7 0 2;     0 2 3 5 6 7    ];[glcm, SI] = graycomatrix(I, 'NumLevels', 9, 'G', [])% 'Offset'的default值为`[0, 1]`
      
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    glcm =     0     0     2     0     0     0     0     0     0     0     1     0     0     0     1     0     0     0     0     0     0     2     0     0     0     0     0     0     0     0     0     0     2     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     2     1     0     0     0     0     0     0     0     0     1     1     1     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     1SI =     2     2     6     7     9     9     3     4     6     8     1     3     1     3     4     6     7     8
      
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17

    demo

    这里先写一个demo,稍微有点难懂的地方在于灰度共生矩阵的计算方式,然后是一些编程上的循环判断。其他方向的情况还未考虑(在第三和第四层循环的地方可能会略有不同),以及将其封装成一个函数的操作还是留待以后吧:

    clear, clcP = [ 0 1 2 0 1 2    1 2 0 1 2 0   2 0 1 2 0 1   0 1 2 0 1 2   1 2 0 1 2 0   2 0 1 2 0 1];[r, c] = size(P);P_u = unique(P);        % 去重,得到所有的灰度级n = length(P_u);        % 不同灰度级的个数G = zeros(n, n);        % 初始化灰度共生矩阵为全0矩阵,%% 四层循环,最外层的两层循环用来为GLCM的各个位置赋值% 内层的两层循环时遍历原始图像矩阵,累计符合某一对应关系的的情况出现的次数for p = 1:n,    for q = 1:n,        cnt = 0;            % GLCM刻画的是灰度图像像素的统计特性,在matlab中通过次数的统计计算得到        for i = 1:r,            for j = 1:c,                if  (j+1) <= c && ((P(i, j) == p && P(i, j+1) == q) || P(i, j) == q && P(i, j+1) == p),                    cnt = cnt + 1;                end            end        end        G(p, q) = cnt;    endendG   
      
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31

    References

    [1] <图像特征提取——灰度共生矩阵(GLCM)>

               

    给我老师的人工智能教程打call!http://blog.csdn.net/jiangjunshow

    这里写图片描述
    展开全文
  • 今天在做一个灰度共生矩阵的程序的时候,看了几篇文章,得到了以下代码,可以实现matlab灰度共生矩阵的提取: clc clear close all %灰度共生矩阵 SI = imread('test file.jpg'); I = [ 1 1 5 6 8 8; 2 3 5 ...
  • 灰度共生矩阵matlab实现

    万次阅读 2018-01-24 15:11:59
    matlab函数: graycomatrix()...灰度共生矩阵是像素距离和角度的矩阵函数,它通过计算图像中一定距离和一定方向的两点灰度之间的相关性,来反映图像在方向、间隔、变化幅度及快慢上的综合信息。 使用方法: glcm = grayc
  • 灰度共生矩阵MatLab实现

    千次阅读 2020-10-19 11:01:58
    上周五在复现一篇论文("Visual-Salience-Based Tone Mapping for High Dynamic Range Images")中的算法时涉足到了基于灰度共生矩阵的显著性度量,便顺手给实现了以下。我们将共生关系定义在w*w的窗口内,窗口内的...
  • Gray-level co-occurrence matrix from an image图像的灰度共生矩阵灰度共生矩阵是像素距离和角度的矩阵函数,它穿越计算图像中定然距离和定然方向的两点灰度之间的相干性,来反映图像在方向、间隔、改变幅度及快慢...
  • %**************************************************************************% 基于SVM的图像纹理特征分类——纹理特征%基于共生矩阵纹理特征提取,d=1,θ=0°,45°,90°,135°共四个矩阵%所用图像灰度级均为256%...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 471
精华内容 188
关键字:

灰度共生矩阵matlab

matlab 订阅