精华内容
下载资源
问答
  • 利用MATLAB提取各种纹理特征
  • 六种主要常用的纹理特征提取方法(GM,GMRF,BC,GLDS,GLCM,LBP),matlab编写,有学习需要的可以参考参考
  • 本代码可以实现matlab中的图像纹理特征提取,图像处理速度较快,处理效果较好。
  • 6种常用纹理特征提取方法:LBP、GLCM、GLDS、GMRF、Gabor等 纹理特征提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式。
  • Matlab提取图像的形状、纹理、颜色特征,其中纹理特征是用灰度梯度共生矩阵来实现的
  • 用统计方式对灰度图像进行纹理特征提取。构造灰度共生矩阵,通过灰度共生矩阵计算纹理特征。本方式提取四个互不相关的特征纹理角二阶矩、纹理熵、对比度、均匀性。
  • 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
  • 此文件收集了一些经常用到的纹理特征提取的代码,包括GLCM(灰度共生矩阵)、GGCM、GLDS(灰度差分统计)、Tamura纹理特征、LBP(局部二值模式)、HMRF、gabor变换、小波变换、Laws纹理测量等,希望给有需要的人省去...
  • 基于matlab图像处理——纹理特征提取方法
  • function [t]=statxture(f,scale)if nargin==1scale(1:6)=1;elsescale=scale(1:6)';endp=imhist(f); %p是256*1的列向量p=p./numel(f);L=length(p);[v,mu]=statmoments(p,3);%计算六个纹理特征t(1)=mu(1); ...

    function [t]=statxture(f,scale)

    if nargin==1

    scale(1:6)=1;

    else

    scale=scale(1:6)';

    end

    p=imhist(f); %p是256*1的列向量

    p=p./numel(f);

    L=length(p);

    [v,mu]=statmoments(p,3);

    %计算六个纹理特征

    t(1)=mu(1); %平均值

    t(2)=mu(2).^0.5; %标准差

    varn=mu(2)/(L-1)^2;

    t(3)=1-1/(1+varn); %平滑度首先为(0~1)区间通过除以(L-1)^2将变量标准化

    t(4)=mu(3)/(L-1)^2; %三阶矩(通过除以(L-1)^2将变量标准化)

    t(5)=sum(p.^2); %一致性

    t(6)=-sum(p.*(log2(p+eps))); %熵

    T=[t(1) t(2) t(3) t(4) t(5) t(6)]

    %缩放值,默认为1

    t=t.*scale;

    end

    function [v,unv]=statmoments(p,n)

    Lp=length(p);

    if (Lp~=256)&(Lp~=65536)

    error('p must be a 256- or 65536-element vector.');

    end

    G=Lp-1;

    p=p/sum(p);p=p(:);

    z=0:G;

    z=z./G;

    m=z*p;

    z=z-m;

    v=zeros(1,n);

    v(1)=m;

    for j=2:n

    v(j)=(z.^j)*p;

    end

    if nargout>1

    unv=zeros(1,n);

    unv(1)=m.*G;

    for j=2:n

    unv(j)=((z*G).^j)*p

    end

    end

    end

    f为输入的图片,必须是灰度图像。

    因为纹理特征提取是灰度的纹理特征。

    matlab中建立一个function的M文件

    拷贝上面的代码运行就可以了。

    展开全文
  • matlab图像纹理特征提取

    万次阅读 2018-03-12 09:36:36
    clear all;clc; ImagePath='D:\Caffe\Examples\WangYu\C2\WithAugment\Data\train_image\'; Images = dir([ImagePath, '*.tif']); PictureNums = length(Images); FitureNums = 8;...gray_comatrix=zeros(PictureNums....


    clear all;clc;
    
    ImagePath='D:\Caffe\Examples\WangYu\C2\WithAugment\Data\train_image\';
    Images = dir([ImagePath, '*.tif']);
    PictureNums = length(Images);
    FitureNums = 8;
    gray_comatrix=zeros(PictureNums,FitureNums);
    label_features=zeros(PictureNums,FitureNums+1);
    
    for i=1:PictureNums
        i
        name = Images(i).name;
        I=imread([ImagePath,name]);
        
        B=rgb2gray(I);
        
        H=graycomatrix(B,'GrayLimits',[],'NumLevels', FitureNums,'Offset',[0 1;-1 1;0 -1;-1 -1]);%得到灰度共生矩阵
        stats=new_graycoprops(H,'all');
        
        Energy = [];
        Energy= [Energy,stats.Energy];
        Energy=mean(Energy);
        
        Contrast=[];
        Contrast=[Contrast,stats.Contrast];
        Contrast=mean(Contrast);
        
        Correlation=[];
        Correlation=[Correlation,stats.Correlation];
        Correlation=mean(Correlation);
        
        Dissimilarity=[];
        Dissimilarity=[Dissimilarity,stats.Dissimilarity];
        Dissimilarity=mean(Dissimilarity);
        
        Entropy=[];
        Entropy=[Entropy,stats.Entropy];
        Entropy=mean(Entropy);
        
        Homogeneity=[];
        Homogeneity=[Homogeneity,stats.Homogeneity];
        Homogeneity=mean(Homogeneity);
        
        Mean=[];
        Mean=[Mean,stats.Mean];
        Mean=mean(Mean);
        
        Variance=[];
        Variance=[Variance,stats.Variance];
        Variance=mean(Variance);
        
        %     gray_comatrix(i,1)=Energy;
        %     gray_comatrix(i,2)=Contrast;
        %     gray_comatrix(i,3)=Correlation;
        %     gray_comatrix(i,4)=Dissimilarity;
        %     gray_comatrix(i,5)=Entropy;
        %     gray_comatrix(i,6)=Homogeneity;
        %     gray_comatrix(i,7)=Mean;
        %     gray_comatrix(i,8)=Variance;
        
        %类别标签
        if(name(1)=='C')
            label = 1;
        else
            label = 0;
        end
        label_features(i,1) = label;
        label_features(i,2) = Energy;
        label_features(i,3) = Contrast;
        label_features(i,4) = Correlation;
        label_features(i,5) = Dissimilarity;
        label_features(i,6) = Entropy;
        label_features(i,7) = Homogeneity;
        label_features(i,8) = Mean;
        label_features(i,9) = Variance;
    end
    
    % save('mat文件名', '变量名') 
    save('label_features', 'label_features');
    
    
    

    展开全文
  • 收稿日期:2012-03-20;... 灰度共生矩阵纹理特征提取Matlab 实现 焦蓬蓬,郭依正,刘丽娟,卫 星 ( 南京师范大学泰州学院,江苏 泰州 225300) 摘 要: 图像特征提取图像的识别和分类、基于...

    收稿日期:2012-03-20; 修回日期:2012-06-24 基金项目: 国家“十一五”计划课题( FIB070335-B8-04) 作者简介: 焦蓬蓬( 1981-) ,女,硕士,讲师,研究方向为数字信号处理。 灰度共生矩阵纹理特征提取的 Matlab 实现 焦蓬蓬,郭依正,刘丽娟,卫 星 ( 南京师范大学泰州学院,江苏 泰州 225300) 摘 要: 图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法,给出了基于 Matlab 的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词: 灰度共生矩阵; 纹理特征; Matlab 中图分类号: TP391. 9 文献标识码: A 文章编号:1673-629X( 2012) 11-0169-03 Implementation of Gray Level Co-occurrence Matrix Texture Feature Extraction Using Matlab JIAO Peng-peng,GUO Yi-zheng,LIU Li-juan,WEI Xing ( Taizhou College of Nanjing Normal University,Taizhou 225300,China) Abstract: The texture feature extraction of image is a foundational work for image recognition and classification,content-based image re-trieval,image data mining,etc. The texture feature of image is significant for description of image content. And it is a hot topic in the re-search of image now. The method of texture feature extraction based on gray level co-occurrence matrix ( GLCM) was studied. Analyzed the effect of each parameter on constructing the co-occurrence matrix and implemented the feature extraction using Matlab. The analytical results provide valuable reference for creating GLCM better and extracting texture features of specific kinds of images. Key words: gray level co-occurrence matrix; texture feature; Matlab 0 引 言 纹理是图像的一个重要属性,它是图像像素颜色或灰度在空间以一定形式变化而产生的图案[1]。图像的纹理特征客观存在,反

    展开全文
  • 一些常用的纹理特征提取方法汇总,都是用matlab写的,经过测试后有效。希望对大家有所帮助。matlab版本的源码,有详细的sift特征提取和匹配的步骤介绍,具体sift是什么我就不多说了。这个matlab版本的源码就是供初学...
  • 对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数,提取纹理图像特征量.%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%function : T=Texture(Image)%Image : 输入图像...

    提取纹理图像的灰度共生矩阵,.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数,提取纹理图像的特征量.

    %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

    %function : T=Texture(Image)

    %Image    : 输入图像数据

    %T        : 返回八维纹理特征行向量

    灰度直方图是对图像上单个象素具有某个灰度进行统计的结果,而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。

    取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值。设灰度值的级数为L,则(g1,g2)的组合共有k(k=L*L)种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。(a,b) 取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。

    当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1 时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=-1时,像素对是左对角线,即135度扫描。

    这样,两个像素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对” (g1,g2)的描述,形成了灰度共生矩阵。

    共生矩阵用两个位置的像素的联合概率密度来定义,它不仅反映亮度的分布特性,也反映具有同样亮度或接近亮度的象素之间的位置分布特性,是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。

    一幅图象的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础。

    设f(x,y)为一幅二维数字图象,其大小为M×N,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为

    P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}

    其中#(x)表示集合x中的元素个数,显然P为Ng×Ng的矩阵,若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

    共生矩阵反映的图像中具有某种特殊灰度值的点对出现的频度,点对间距离为d,角度为a。

    展开全文
  • Gabor特征已广泛用于(字符和面部识别)。(诺贝尔奖获得者,电气工程师和物理学家)使用了以下措辞,我认为在这个小插图中值得一提,“你无法预测未来,但你可以发明它。”在下面的几行中,我将描述...
  • 图像纹理特征提取,图像纹理特征提取算法,matlab源码
  • 程序包含三种纹理特征提取:灰度差分统计、自相关函数、灰度共生矩阵
  • 图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。 纹理特征提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式。该...
  • matlab实现gabor小波对图片的纹理特征提取过程如下:(1)在matlab中,用gaborfilter.m程序实现对三种农作物(小麦、棉花和大豆)蚜虫图片的做gabor小波变换。(2)对gabor小波变换处理过的图片在做二维卷积变换.(3)对...
  • 图像特征提取提取的是方向纹理特征,代码对水平和垂直方向的纹理信息进行提取,效果很好
  • 图像LBP纹理特征值的提取Matlab实现

    万次阅读 多人点赞 2016-03-09 18:06:57
    图像纹理特征值得提取----普通LBP纹理特征提取,均匀LBP纹理特征值的提取
  • 利用灰度共生矩阵实现图像纹理特征提取,从而实现对图像纹理特征的研究
  • Gabor提取图像特征原理及其matlab实现
  • 实验室师兄写的代码,使用灰度共生矩阵计算图像纹理复杂度,然后可以用来衡量嵌入水印的多少。
  • Matlab 图像特征提取

    万次阅读 2018-10-11 10:50:59
    图像处理过程中,尤其是图像相似度的匹配,在图片量比较小的情况下,深度学习的效果往往达不到期望,所以需要利用传统图像处理的方法,对图像特征进行提取,常用的方法有lbp,hog,sift,surf。 lbp算法主要是对图片...
  • 研究了利用灰度共生矩阵提取遥感影像的纹理特征 ,实现了 MATLAB下采用监督分类方法应用最短距离分类器及滤波完成了全色遥感影像的分类分析。 关键词:纹理特征;监督分类;MATLAB;灰度共生矩阵 中图分类号: TP75 文献...
  • matlab实现gabor小波对图片的纹理特征提取过程如下:(1)在matlab中,用gaborfilter.m程序实现对三种农作物(小麦、棉花和大豆)蚜虫图片的做gabor小波变换。(2)对gabor小波变换处理过的图片在做二维卷积变换.(3)对...
  • 描述了纹理和纹理特征,介绍了几种常用的纹理分析方法,有灰度直方图、边缘方向直方图、空间灰度共生矩阵、Tamura 纹理特征、Gabor 滤波器和小波以及图像纹理谱分析方法,本文在传统的纹理特征提取方法的基础上,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,252
精华内容 1,300
关键字:

图像纹理特征提取matlab

matlab 订阅