灰度共生矩阵
灰度共生矩阵是图像特征分析和提取的重要方法之一。它在纹理分析、特征分类和图像质量评价方面有着重要的应用。其基本原理如下所示：
左边有一个图像。可以看出，最小灰度为1，最大灰度为8。总共有8个灰度级。对应灰度共生矩阵左上角第一行第一列的坐标(1，1)包含值1，因为在水平方向上，当前像素与水平右相邻像素之间只有一个像素值1、1相邻像素值(灰度)对；右侧共生矩阵的原(1，2)=2表示像素矩阵中有两对像素值为1，2的相邻像素，以此类推，得到完整的右侧灰度共生矩阵。可以根据当前像素和相邻像素的不同位置计算不同的共生矩阵，根据像素之间的不同距离输出不同的灰度共生矩阵。综上所述，灰度共生矩阵有四个不同的角度，如下：
0度水平方向
40度方向的GLCM
90度垂直GLCM
15度方向GLCM
根据相邻像素间距离参数d的不同，可以得到不同距离的灰度共生矩阵。另外，对于正常的灰度图像，最小灰度值为0，最大灰度值为255，总共有256个灰度级，所以GLCM的大小是256x256，但是我们可以降低灰度级的维数，比如每8个灰度值可以代表一个等级，这样就可以把原来的256x256的共生矩阵改成256/8 * 256 /8=32x32。因此，有三个关键参数最终影响灰度共生矩阵的生成：
角度(支持0，45、90，135)
距离(大于或等于1个像素单位)
灰度级(最大灰度系数=256 x 56)
灰度共生矩阵实现纹理特征计算
共生矩阵支持以下纹理特征计算，它们是：
活力
熵值
对比
相互关系
逆差
这些纹理特征计算如下：
以上五个是GLCM常见的纹理特征，GLCM一共14个特征值输出，所以我赢了不要在这里重复！有兴趣的可以自行搜索关键词GLCM。
OpenCV计算灰度共生矩阵
OpenCV本身并不没有灰度共生矩阵的算法实现，需要通过对比自己的编码实现来计算图像灰度共生矩阵。代码实现步骤如下：
加载图像，灰度转换
创建灰度共生矩阵Mat对象
计算灰度共生矩阵
显示灰度共生矩阵
我这里用的角度是0，45、90，135、像素距离d=1、灰度256。代码实现如下：
//0，45，90，135 Matglcm _ 0=Mat:zeros(Size(step，step)，CV _ 32fc 1)；for(introw=0；rowheightrow){ for(int col=0；colwidthcol ){inti=gray.at(row，col)；intj=gray.at(row，col 1)；glcm_0.at(i，j)；} } Matglcm _ 45=Mat:zeros(Size(step，step)，CV _ 32fc 1)；for(introw=1；row height-1；row){ for(int col=1；colwidth-1；col ){inti=gray.at(row，col)；intj=gray.at(row-1，col 1)；glcm_45.at(i，j)；} } Matglcm _ 90=Mat:zeros(Size(step，step)，CV _ 32fc 1)；for(introw=1；row height-1；row){ for(int col=0；colwidthcol ){inti=gray.at(row，col)；intj=gray.at(row-1，col)；glcm_90.at(i，j)；} } Matglcm _ 135=Mat:zeros(Size(step，step)，CV _ 32fc 1)；for(introw=1；rowheightrow){ for(int col=1；colwidthcol ){inti=gray.at(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)；
运行效果如下：图1
斑马线灰度共生矩阵
提取图像对比度特征
基于共生矩阵实现纹理特征计算。这里我用一个简单的对比度计算来实现局部纹理特征提取。代码如下(局部窗口大小8x8、灰度级256/32=8级)
int step=256ma image=im read(d:/images/ft texture。jpg );//mati image=im read(D:/images/ban _ texturejpg );马特格雷；颜色(图像，灰色，颜色_ bgr 2灰色);imshow(灰色'灰色);in thigh=gray . rows intwidth=gray . colsmatglcm _ 0=Mat:zeros(Size(width，height)，CV _ 32fc 1)；直肠ROI。x=0；投资回报率。y=0；投资回报率。宽度=8；投资回报率。高度=8；for(introw=4；行高-4；row){ for(int col=4；colwidth-4；col){ ROI。x=col-4；投资回报率。y=第4行；float PV=calculate _ matrix(gray(ROI))；glcm_0.at(row，col)=PV；}}normalize(glcm_0，glcm_0，0，1.0，NORM _ MINMAX)；imshow(glcm ，glcm _ 0)；等待键(0)；
方法计算灰度矩阵的代码如下：
Matm=Mat:zeros(Size(8，8)，CV _ 32fc 1)；for(introw=0；罗维姆。第1行；row){ for(int col=0；科林。cols-1；col ){inti=im.at(row，col)/32；intj=im.at(第一行第一列)/32;m.at(i，j)；} }浮动对比度=0；for(inti=0；i8；I){ for(intj=0；j8；j ){contrast=m.at(i，j)*(I-j)*(I-j)；} }对比度
计算135 的灰度共生矩阵，基于计算局部对比度提取纹理运行结果如下：
测试一（左侧是输入图像、右侧135的对比度)
审核彭静
标签：灰度矩阵图像