基于邻域均值灰度共生矩阵的图像检索

基于Z搜索共生矩阵的彩色图像检索算法张红军;王凤领;林继明【摘要】针对图像检索中难以有效对色彩丰富的彩色图像检索、特征维数过高等问题,提出一种基于Z搜索的彩色图像检索算法.将图像的每个颜色通道划分为子块,在每个块中,通过Z搜索技术得到每对像素的强度关系,对每个颜色通道构建Z搜素的共生矩阵(Z-co-occurrence matrix,ZCM),从图像空域中提取特征并存储所有最接近的块;在相似测量阶段,通过ZCM的比较,查询图像与数据库图像的相似性,完成目标图像检索.实验结果表明,与当前检索算法相比,所提算法具有更高的查准率和查全率,在图像包含相同纹理或者色彩丰富的彩色图像时,具有更好的检索性能.%For the problem that the image retrieval is difficult to search the color rich image and the feature dimension is too high,a color image retrieval algorithm based on Z search was proposed.Each color channel of the image was divided into N * N blocks,in each block,the intensity relation of each pair of pixels was obtained using Z search technique,a Z search matrix for each color channel (Z-co-occurrence matrix,ZCM) was constructed,and the features were extracted from the image space domain and each relation of the nearest block was stored.The similarity between the query image and the database image was compared through ZCM to retrieve images.Experimental results show that compared with the current search algorithm commonly used,the proposed algorithm has higher precision and recall,especially for the images contain same textures or rich color,it has better retrieval performance.【期刊名称】《计算机工程与设计》【年(卷),期】2018(039)004【总页数】6页(P1136-1141)【关键词】图像检索;Z搜索;共生矩阵;方向强度;像素强度;相似度量【作者】张红军;王凤领;林继明【作者单位】贺州学院数学与计算机学院,广西贺州 542899;贺州学院数学与计算机学院,广西贺州 542899;桂林电子科技大学计算机与控制学院,广西桂林541004【正文语种】中文【中图分类】TP3910 引言基于图像内容的检索(CBIR)技术的核心是如何准确提取图像特征，常用的图像特征有纹理、颜色、形状和空间关系等[1]。

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彩色遥感图像纹理特征提取侯群群;王飞;严丽【摘要】纹理在图像检索和分类中起着非常重要的作用.目前已有的纹理特征提取算法大多只能提取灰度图像的纹理特征,用于彩色图像的纹理特征提取算法则很少.参照对灰度共生矩阵(gray level co-occurrence matrix,GLCM)的分析方法,实验和分析了方向、距离、灰度级和窗口大小等参数对彩色图像GLCM纹理特征的影响,实现了基于GLCM的彩色图像纹理特征提取方法(color GLCM,CGLCM);通过分析上述参数对角二阶矩、熵、对比度和相关性等4个纹理特征的影响规律,给出了合理的参数取值范围,优化了CGLCM方法.将CGLCM方法和GLCM方法进行对比的结果表明,用CGLCM方法计算的角二阶矩、熵、对比度和相关性等4个纹理特征的稳健性更好、鉴别能力更强.上述研究结果可为基于纹理信息的图像检索和分类提供参考.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)004【总页数】7页(P26-32)【关键词】彩色图像;图像检索和分类;纹理;灰度共生矩阵(GLCM);特征值【作者】侯群群;王飞;严丽【作者单位】西北农林科技大学资源环境学院,杨凌712100;西北农林科技大学资源环境学院,杨凌712100;中国科学院水利部水土保持研究所,杨凌 712100;西北农林科技大学资源环境学院,杨凌712100【正文语种】中文【中图分类】TP751.10 引言纹理是组成图像的色调基元空间中相互作用而产生的一种依赖于尺度效应的现象，色调基元则是指由一个像元或者相邻的具有类似色调特征的一组像元组成的区域[1]。

纹理特征在图像检索和图像分类中已得到广泛应用。

目前已有的纹理特征提取方法可分为统计方法、模型方法、信号处理方法和结构方法4大类。

其中，统计方法基于像元及相邻像元的灰度属性，研究纹理区域中的统计特性或像元及其临域内灰度的一阶、二阶或高阶统计特性，方法简单且易于实现;尤其是灰度共生矩阵(gray level co-occurrence matrix，GLCM)方法是公认的有效方法，具有较强的适应能力和鲁棒性[2]。

基于灰度共生矩阵的图像特征抽取方法介绍与实验验证图像特征抽取在计算机视觉和图像处理领域中起着至关重要的作用。

其中，灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）是一种常用的特征提取方法。

本文将介绍GLCM的原理和应用，并通过实验验证其有效性。

一、灰度共生矩阵的原理灰度共生矩阵是一种统计特征提取方法，用于描述图像中不同像素之间的灰度关系。

它通过统计图像中每对像素之间的灰度级出现的频率来构建矩阵。

具体而言，对于给定的灰度级d和偏移量（或距离）h，灰度共生矩阵中的元素GLCM(d, h)表示在给定偏移量h的情况下，像素对(i, j)的灰度级分别为d和d+h的概率。

灰度共生矩阵的构建可以通过以下步骤完成：1. 将图像转换为灰度图像；2. 定义偏移量h和灰度级d的范围；3. 对于每个像素(i, j)，统计以偏移量h为距离的像素对(i, j)和(i+h, j)的灰度级出现的频率，并将其记录在GLCM中对应的位置。

二、灰度共生矩阵的应用灰度共生矩阵可以用于提取图像的纹理特征。

通过对GLCM进行统计分析，可以得到一系列用于描述图像纹理的特征参数。

常用的特征参数包括：1. 对比度（Contrast）：描述图像中不同灰度级像素对之间的对比度；2. 相关性（Correlation）：描述图像中不同灰度级像素对之间的线性相关性；3. 能量（Energy）：描述图像中不同灰度级像素对出现的概率；4. 熵（Entropy）：描述图像中不同灰度级像素对的不确定性；5. 逆差矩阵（Inverse Difference Moment）：描述图像中不同灰度级像素对的聚集程度。

这些特征参数可以用于图像分类、目标检测、图像检索等应用。

三、实验验证为了验证灰度共生矩阵的有效性，我们进行了一组实验。

实验使用了一组包含不同纹理的图像，包括木纹、石纹、布纹等。

首先，我们对每张图像计算其灰度共生矩阵，并提取出上述特征参数。

第31卷第9期2006年9月武汉大学学报#信息科学版Geo matics and Informat ion Science of W uhan U niver sity V ol.31N o.9Sept.2006收稿日期:2006-06-27。

文章编号:1671-8860(2006)09-0761-04文献标志码:A一种有效的基于灰度共生矩阵的图像检索方法王 波1 姚宏宇1 李弼程1(1 信息工程大学信息工程学院,郑州市俭学街7号,450052)摘 要:提出了一种基于广义图像灰度共生矩阵的图像检索方法。

该方法首先将原图像作平滑处理得到平滑图像,然后将原图像和平滑图像组合得到广义图像灰度共生矩阵,提取该矩阵的统计特征量,最后将该统计量组成归一化向量用以检索。

实验结果表明,本方法的效果要优于单纯的灰度共生矩阵法。

关键词:图像检索;基于内容的检索;平滑图像;共生矩阵中图法分类号:T P751;P237.3基于内容的图像检索[1]主要采用较低层次的图像特征,如颜色、纹理和形状等。

至于高层次的语义特征,由于在图像内容表示中出现的/语义鸿沟0问题[2]的解决还有待突破,而颜色、纹理和形状易于实现特征的自动提取,因而,现有的一些图像检索系统大都采用这几种特征或将这几种特征综合起来应用。

在图像检索中,较常用的纹理特征主要有Tamura 纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式[3]。

这些纹理分析方法的共同点就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,基于共生矩阵的纹理检索算法被广泛应用。

共生矩阵法[4,5],又称为灰度联合概率矩阵法(灰度共生概率矩阵法),是对图像的所有像元进行统计调查,以便描述其灰度分布的一种方法。

此方法在多数情况下是有效的,但由于灰度共生矩阵本身具有方向性,从该矩阵提取的统计量只能反映某一方向的信息。

虽然检索时采用了4个方向的统计量作平均,但还是不能很好地表达图像的全局信息。

基于灰度共生矩阵的乳腺病理图像纹理特征分析赵爽;李延军;马志庆;赵文华【摘要】目的:通过深入分析乳腺病理图像,为精确区分良恶性乳腺肿瘤,提出便于计算又能给出较高的分类精度的纹理特征参数.方法:基于灰度共生矩阵算法,提取乳腺癌病理图像的纹理特征进行分析.结果:确定4个具有很好特征效果且便于计算的纹理特征参数,熵和对比度的均值特征对区分良恶性肿瘤有很好的表现.结论:在乳腺病理图像中提取熵和对比度的均值为主要特征,可有效区分乳腺肿瘤良性与恶性.【期刊名称】《中国医学装备》【年(卷),期】2018(015)008【总页数】4页(P5-8)【关键词】灰度共生矩阵;乳腺癌病理图像;纹理;特征提取;熵和对比度【作者】赵爽;李延军;马志庆;赵文华【作者单位】山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355【正文语种】中文【中图分类】R737.9图像的特征除了颜色、形状和空间关系外，纹理作为物体表面的一种自然属性，也是人类视觉系统区分自然界物体的重要特征[1]。

纹理特征用于描述物体表面粗糙度、规则性和方向性等特性，是建立一个机器视觉系统不可忽视的信息，而且研究人员已经在纹理分类、纹理分割、纹理合成等应用领域取得了丰硕的成果[2]。

灰度共生矩阵(gray-level co-occurrence matrix，GLCM)在纹理特征提取中非常流行，该方法提取的纹理特征具有良好的鉴别能力。

Haralick等[3]提出的GLCM 方法已经成为纹理特征提取的一种经典算法，在很多领域被广泛应用。

随后，Haralick[4]又进一步深入研究，于20世纪70年代末从GLCM中提出了14个二阶统计量作为纹理特征，用于纹理分割和分类等方面。

以往的学术研究中，在基于GLCM彩色遥感图像纹理特征提取中，将灰度级压缩到16级时，可以在很大程度上减少计算量而不影响计算结果[5]；在基于GLCM 提取纹理特征图像的研究中，对比度影像的亮度相对比较大[6]；在基于GLCM的脑部CT图像纹理特征提取方法，除对比度特征值外，能量、逆差分矩、熵等3项图像纹理特征值均能有效地区分正常和异常脑部CT图像[7]；在乳腺肿瘤超声图像纹理特征分析中表明相关性、方差、相关信息度量1和相关信息度量2组合的判别结果最好[8]。

一种基丁灰度梯度共生特征的复小波域纹理检索方法摘要：在图像经频域分解后的子带系数上引入灰度梯度共生矩阵，且计算低冗余度的特征值。

将该特征应用丁各种频域变换的子带系数上，并提出一种基丁双树复数小波分解的灰度梯度共生矩阵纹理检索方法，实验结果表明，该方法有效的提高了检索精度。

关键词：灰度梯度共生矩阵；小波变换；曲波变换；轮廓波变换；双树复数小波变换；图像检索1. 引言20世纪90年代以来随着多媒体技术和互联网技术的快速发展，对图像库进行有效管理和利用的需求越发迫切，图像检索作为其中的关键技术受到人们的广泛关注。

传统的基丁文本的检索技术由丁具有人工提取工作量大且主观性强，文本描述不能充分表达图像内涵，文本二义性等缺点已不能适用丁大规模图像集，因此，基丁内容的图像检索(Content Based Image Retrieval,CBIR逐渐成为研究热点。

CBIR是指利用图像的视觉内容，如颜色，纹理，形状，空间布局，语义等，从大量图像数据中搜索用户感兴趣的图像。

国内外学者对图像纹理进行了大量的研究。

根据信号处理理论，图像纹理特征的提取方法可分为：空间域方法和频域方法［1］。

空间域方法可归类为统计方法，结构方法或混合方法［1-5］。

频域方法中常用的有Gabor变换［6］, Wavelet变换［7］, Curvelet变换［8,9］, Contourlet变换［10,11］,DT-CWT 变换［12,13］等。

图像经频域方法分解得到的子带系数反映的是图像的灰度分布特征，不包含系数之间的关系。

因此，我们在频域方法的基础上引入灰度梯度共生矩阵(GLGCM,Gray Level-Gradient Cooccurrence Matrix),在保留图像灰度信息的同时引入图像的梯度信息以获得更丰富的纹理信息。

自Haralick.R.M ［14］提出共生矩阵方法以来，该方法成为提取纹理特征的主要方法之一，被应用丁图像处理的各个领域。