基于灰度共生矩阵的纹理特征值提取

基于灰度共生矩阵（GLCM）的图像纹理分析与提取重磅干货，第一时间送达灰度共生矩阵灰度共生矩阵(Gray Level CO-Occurrence Matrix-GLCM)是图像特征分析与提取的重要方法之一，在纹理分析、特征分类、图像质量评价灯方面都有很重要的应用，其基本原理图示如下：左侧是一个图像，可以看出最小的灰度级别是1，最大的灰度级别是8，共有8个灰度级别。

右侧对应的灰度共生矩阵，左上角第一行与第一列的坐标(1, 1)包含值1，原因在于水平方向上，相距一个像素值，当前像素跟水平右侧相邻像素只有一个是1、1相邻的像素值(灰度级别)对；右侧共生矩阵的原始(1, 2) = 2 说明在像素矩阵中有两个像素值1，2相邻的像素点对、以此类推得到完整的右侧灰度共生矩阵。

根据当前像素跟相邻像素位置不同，可以计算得到不同的共生矩阵，同时根据像素之间的距离不同会输出不同灰度共生矩阵。

总结来说，有如下四种不同角度的灰度共生矩阵：•0度水平方向GLCM•45度方向GLCM•90度垂直方向GLCM•135度方向GLCM根据相邻像素点之间距离参数D不同可以得到不同距离的GLCM。

此外对正常的灰度图像来说，最小灰度值为0，最大的灰度值为255，共计256个灰度级别，所以GLCM的大小为256x256，但是我们可以对灰度级别进行降维操作，比如可以每8个灰度值表示一个level这样，这样原来256x256大小的共生矩阵就可以改成256/8 * 256 /8 = 32x32的共生矩阵。

所以最终影响灰度共生矩阵生成有三个关键参数：•角度 (支持0、45、90、135)•距离（大于等于1个像素单位）•灰度级别(最大GLCM=256 x 56)GLCM实现纹理特征计算灰度共生矩阵支持如下纹理特征计算，它们是：•能量•熵值•对比度•相关性•逆分差这些纹理特征计算公式如下：上述5个是常见的GLCM的纹理特征，GLCM总计由14个特征值输出，这里就不再赘述了！感兴趣的可以自己搜索关键字GLCM。

基于灰度共生矩阵的肝脏纹理特征提取发表时间：2012-10-22T09:11:46.387Z 来源：《医药前沿》2012年第17期供稿作者：杨国城1 卢凤梅2 李美玲2 [导读] 肝脏疾病尤其是肝癌，是导致病人死亡的一个重要病症。

现代图像处理技术根据不同的图像特征来检测正常和异常肝脏的差异杨国城1 卢凤梅2 李美玲2（1泸州医学院生物医学工程系四川泸州 646000）（2电子科技大学生命科学与技术学院四川成都 610054）【摘要】本文采用共生矩阵的方法提取多幅异常肝脏CT图像的感兴趣区域（region of interest, ROI）的纹理特征，对两种病变肝脏组织——肝囊肿和肝细胞癌，以及正常肝脏进行纹理分析，对比得出。

结论异常肝脏组织的纹理比较粗，比较杂乱且模糊，而正常肝脏组织的纹理比较规则;肝囊肿组织较肝细胞癌组织局部纹理更相似、更均匀而肝细胞癌局部纹理更杂乱。

【关键词】纹理特征灰度共生矩阵肝囊肿肝细胞癌【中图分类号】R318 【文献标识码】A 【文章编号】2095-1752（2012）17-0105-02 1 引言肝脏疾病尤其是肝癌，是导致病人死亡的一个重要病症。

现代图像处理技术根据不同的图像特征来检测正常和异常肝脏的差异[1]。

基于共生矩阵提取纹理特征的方法是目前公认的比较经典的统计分析方法；纹理特征则是对肝脏进行分割和对肝脏疾病进行辅助诊断的一个重要依据，特征提取的多少及所选特征的有无代表性将直接影响后续工作的进行和诊断结果。

本文主要运用灰度共生矩阵来提取肝脏病变CT图像感兴趣区域的纹理特征，进而研究病变组织之间与正常组织的差异。

纹理分析通常包括能量，对比度，相关性，方差，逆差距，和方差，熵等14个特征参数值[2]，而研究表明用能量，熵，相关性，逆差距四个特征来描述纹理，就能达到很好的效果。

2 纹理分析方法2.1灰度共生矩阵常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。

CV2灰度共生矩阵提取纹理特征向量1. 什么是灰度共生矩阵？灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是用来描述图像纹理特征的一种统计方法。

它描述了图像中不同像素灰度级的空间关系和频率分布，可以用来提取图像的纹理特征。

2. GLCM的计算过程GLCM的计算过程包括： - 首先选择一个特定的偏移量和特定的方向，用来确定像素对的空间关系。

- 然后遍历整个图像，对于每个像素点，与其偏移量确定的相邻像素进行比较，计算它们之间的灰度级对出现的频率。

- 最终得到一个关于灰度级对出现频率的矩阵，即灰度共生矩阵。

3. 灰度共生矩阵的特征灰度共生矩阵提供了丰富的图像纹理信息，可以从中提取多种特征： - 对比度（Contrast）：描述了图像中不同灰度级对之间的对比程度。

- 相关性（Correlation）：描述了图像中不同灰度级对之间的线性相关程度。

- 能量（Energy）：描述了图像中灰度级对出现的频率。

- Homogeneity：描述了图像中灰度级对在空间上的均匀程度。

4. GLCM在图像处理中的应用灰度共生矩阵提取的纹理特征向量可以应用于图像分类、目标识别、医学图像分析等领域。

通过提取图像的纹理特征，可以更准确地描述图像的特性，从而改善图像处理和分析的效果。

5. 个人观点和理解灰度共生矩阵提取纹理特征向量是图像处理中非常重要的一部分。

它不仅可以描述图像的纹理特征，还可以应用于图像识别和分类等领域，为图像处理技术的发展提供了重要的支持。

总结通过灰度共生矩阵提取纹理特征向量，我们可以更好地理解图像的纹理特征，从而在图像处理和分析中取得更好的效果。

在未来的发展中，灰度共生矩阵技术将会得到更广泛的应用，为图像处理领域带来更多的创新。

希望通过本文的介绍，您能对CV2灰度共生矩阵提取纹理特征向量有一个更加深入的理解。

以上是我撰写的关于CV2灰度共生矩阵提取纹理特征向量的文章，希望对您有所帮助。

灰度共生矩阵提取纹理特征Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet byusing visible and near infrared hyperspectral imagingDi Wu and Da-Wen Sun论文中提到:Five spectral features (mean, standard deviation, skew, energy, and entropy) and twentytwo image texture features obtained from graylevel co-occurrence matrix (GLCM) were extracted fromhyperspectral 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。

doi: 10.3969/j.issn.1673-6478.2023.04.040基于灰度共生矩阵的沥青路面病害雷达图像纹理特征提取研究杨晓美1，仰圣刚2（1. 江西赣粤高速公路工程有限责任公司，江西南昌330013；2. 华东交通大学交通运输工程学院，江西南昌330013）摘要：随着电磁波探测在道路领域的日益推广，探地雷达逐渐成为道路内部状况诊断的有效手段。

通过探地雷达设备获取的道路内部雷达图像经校零、背景去除、滤波等处理后因图像差异性较大目前没有较为统一的解释。

为了探究不同参数下的灰度共生矩阵特征对不同病害图像的适用性，本文首先通过正交试验设计对灰度共生矩阵参数进行组合，然后在不同参数下利用灰度共生矩阵算法对原始雷达图像进行特征计算，最后得到不同参数设置下对比度、逆方差、能量、熵值四种特征图像。

结果表明：当滑动窗口为11 × 11、统计方向为45°、灰度级数为8时，层间黏结不良的熵特征更为明显；滑动窗口为5 × 5、统计为方向90°、灰度级数为128时，裂缝的熵特征更为明显。

本文提出的探地雷达图像纹理特征适用性参数设置对图像分割、识别及数据增强等有一定的参考价值。

关键词：沥青路面；无损病害检测；三维探地雷达；纹理特征提取；灰度共生矩阵中图分类号：U416.2 文献标识码：A 文章编号：1673-6478（2023）04-0187-05 Research on Texture Feature Extraction of Asphalt Pavement Disease Radar ImageBased on Grayscale Symbiosis MatrixYANG Xiaomei1, YANG Shenggang2(1. Jiangxi Ganyue Expressway Engineering Co., Ltd., Nanchang Jiangxi 330013, China; 2. School ofTransportation Engineering, East China Jiaotong University, Nanchang Jiangxi 330013, China) Abstract:With the increasing promotion of electromagnetic wave detection in the road field, ground penetrating radar has gradually become an effective method for road internal condition diagnosis. There is no unified interpretation of the radar images inside the road obtained by ground penetrating radar equipment after processing such as zeroing, background removal, and filtering, due to the large differences in images. In order to explore the applicability of grayscale co-existence matrix features under different parameters to different disease images, this paper first combines the gray scale co-existence matrix parameters through orthogonal experimental design, and then uses the grayscale co-existence matrix algorithm to calculate the features of the original radar image under different parameters, and finally obtains four feature images of contrast, inverse variance, energy and entropy under different parameter settings. The results show that the entropy characteristics of poor interlayer bonding are more obvious when the sliding window is 11 × 11, the statistical direction is 45°, and the gray level is 8. The entropy characteristics of cracks are more obvious when the sliding window is 5 × 5, the statistic direction is 90°, and the gray level is 128. The parameter setting of texture feature applicability of GPR image proposed in this paper has certain reference value for image segmentation, 收稿日期：2023-02-20作者简介：杨晓美（1976-），女，江西丰城人，高级工程师，从事高速公路项目施工管理工作.（）188交通节能与环保第19卷recognition and data enhancement.Key words: asphalt pavement; non-destructive disease detection; 3D ground-penetrating radar; texture feature extraction; gray scale co-occurrence matrix0引言随着公路里程数的快速增长，公路养护特别是沥青路面的养护，是当前公路管理部门面临的最主要的难题[1-2]。

基于灰度共生矩阵的纹理特征提取概述及解释说明1. 引言1.1 概述纹理特征是一种用于描述图像或物体表面细节的重要特征。

在许多领域中，如计算机视觉、图像处理和模式识别等，纹理特征的提取对于实现自动分析和识别具有重要作用。

然而，由于图像数据量庞大且复杂多样，如何从中提取出有效的纹理特征一直是一个具有挑战性的问题。

1.2 文章结构本文将着重介绍一种基于灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）的纹理特征提取方法。

为了更好地说明该方法的原理和优势，文章将依次介绍灰度共生矩阵概念、纹理特征提取方法、应用案例与实验结果分析，并最后对整个研究工作进行总结和展望。

1.3 目的本文旨在通过对基于灰度共生矩阵的纹理特征提取方法进行概述及解释说明，帮助读者深入了解该方法的原理和应用领域。

同时，通过应用案例与实验结果分析部分的介绍，使读者更好地理解该方法在模式识别中的应用价值。

最后，本文将对研究工作进行总结和展望，为未来的应用和发展提供参考。

2. 灰度共生矩阵概念2.1 灰度共生矩阵定义灰度共生矩阵（Gray-Level Co-occurrence Matrix，简称GLCM）是一种常用的纹理分析方法，用于描述图像中像素间的灰度值关系。

其基本思想是统计图像中不同位置像素对之间的灰度值相关特征，从而表征图像纹理的统计信息。

2.2 灰度共生矩阵计算方法灰度共生矩阵的计算主要包括以下步骤：首先，选择一个特定的灰度距离和方向，根据距离和方向确定相邻像素对；然后，统计这些相邻像素对在指定灰度级别上出现次数，并构建灰度级别之间的共生矩阵；最后，根据所得到的共生矩阵可以计算出一系列反映图像纹理特征的统计量。

2.3 灰度共生矩阵特性分析通过分析灰度共生矩阵可以得到多项有关图像纹理特征的统计参数。

常见的参数包括：(1) 对比度（Contrast）：反映了不同灰度级别对之间强度变化的对比程度；(2) 同质性（Homogeneity）：反映了不同灰度级别对之间相邻像素对灰度值接近程度的均匀性；(3) 能量（Energy）：反映了图像中不同灰度级别出现的频率或概率，即图像的复杂程度；(4) 相关性（Correlation）：反映了图像中不同灰度级别对之间线性相关关系的强弱；(5) 熵（Entropy）：反映了图像中不确定性和复杂性，越大表示纹理越复杂。

基于灰度共生矩阵提取地震纹理属性的研究及影响因素分析地层由于受到构造作用，地下流体作用的影响，会产生断层和裂缝等一系列地质构造特征，这些构造特征会在三维地震资料中呈现出强弱不同的振幅，振幅在垂向地震剖面和横向地层切片上的变化就形成了一种特殊的地震纹理特征，这些纹理特征所形成的不同区域代表了不同的地质构造。

文章将利用灰度共生矩阵方法对地震资料中的纹理属性进行提取，并对其影响因素进行分析。

标签：纹理；纹理属性；灰度共生矩阵；灰度级数；提取窗口1 概述纹理作为图形图像的一项基本特征，通常指呈现在物体表面的凹凸不平的沟纹，它反映了物体表面的粗糙度，光滑度和起伏程度。

对于纹理的定义不尽相同，普遍认为它是像素灰度按一定规律变化形成的，只有把图像分割成若干区域才能对其纹理进行研究。

同时由于自然界中的任何物体表面都会产生不尽相同的纹理，即具有不同的纹理特征，利用纹理的独有性，我们可以通过不同物体所具有的不同的纹理特征来区分不同的图像，从而将其应用于数字图像处理、计算机图形学、遥感影像、生物医学，地球物理勘探等领域。

2 地震纹理属性概述地震数据中像元的反射振幅与波形在特定方向上会发生变化，地震资料中纹理的粗细直接或间接反映了不同地质构造所形成的反射振幅的强弱。

随着几十年来油田勘探开发的深入，勘探对象已经从构造油气藏转向复杂油气藏，传统地震属性对于断距较小的小断层、裂缝以及薄储层的响应不明显，而纹理属性所具有的直观性则可以为小型地质体的识别以及薄砂体储层的预测提供一定的指导依据。

3 灰度共生矩阵原理为了弄清不同的纹理集合所揭示的地质构造特征和地震相，我们需要对地震图像进行纹理分割和纹理基元的合成。

纹理属性的提取是图像分析中一项很重要也很具有难度的工作，不少中外学者对纹理属性的提取方法进行了研究，目前，最广为人们接受的是1993年Jain提出的四大类方法：统计分析方法、模型分析方法、结构分析方法、信号处理方法[1]。

提取图像纹理特征——灰度共生矩阵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，纹理特征提取己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。

本文分析了图像纹理的特征提取—灰度共生矩阵，是物体表而最本质的属性。

纹理特征提取是作为纹理分析的首要任务，纹理提出了用灰度共生矩阵的方法提取纹理特征，通过MA丁LAB仿真实现，结果由灰度共生矩阵产生的四个纹理特征能具有较好的鉴别能力。

关键词: 特征提取；灰度共生矩阵；纹理特征；Matlab目录1 设计目的 (1)2相关知识 (1)2.1 MATLAB简介 (1)2.2 MATLAB应用 (1)2.3 MATLAB特点 (2)3 设计方案 (3)3.1 二阶距(能量) (3)3.2 惯性矩 (4)3.3 相关 (4)3.4 熵 (4)4 程序设计 (4)5 仿真结果与分析 (10)5.1 仿真图 (10)5.2 结果分析 (17)6结论 (18)参考文献 (19)提取图像纹理特征——灰度共生矩阵1 设计目的由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。

灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。

直觉上来说，如果图像的是由具有相似灰度值的像素块构成，则灰度共生矩阵的对角元素会有比较大的值；如果图像像素灰度值在局部有变化，那么偏离对角线的元素会有比较大的值。

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[5]。