提取图像纹理特征灰度共生矩阵Word下载.docx
- 文档编号:18268827
- 上传时间:2022-12-14
- 格式:DOCX
- 页数:14
- 大小:132.36KB
提取图像纹理特征灰度共生矩阵Word下载.docx
《提取图像纹理特征灰度共生矩阵Word下载.docx》由会员分享,可在线阅读,更多相关《提取图像纹理特征灰度共生矩阵Word下载.docx(14页珍藏版)》请在冰豆网上搜索。
2.2MATLAB应用
MATLAB产品族可以用来进行以下各种工作:
●数值分析
●数值和符号计算
●工程与科学绘图
●控制系统的设计与仿真
●数字图像处理技术
●数字信号处理技术
●通讯系统设计与仿真
●财务与金融工程
MATLAB的应用范围非常广,包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。
附加的工具箱(单独提供的专用MATLAB函数集)扩展了MATLAB环境,以解决这些应用领域内特定类型的问题【2】。
2.3MATLAB特点
●此高级语言可用于技术计算
●此开发环境可对代码、文件和数据进行管理
●交互式工具可以按迭代的方式探查、设计及求解问题
●数学函数可用于线性代数、统计、傅立叶分析、筛选、优化以及数值积分等
●二维和三维图形函数可用于可视化数据
●各种工具可用于构建自定义的图形用户界面
●各种函数可将基于MATLAB的算法与外部应用程序和语言(如C、C++、Fortran、Java、COM以及MicrosoftExcel)集成
●不支持大写输入,内核仅仅支持小写[3]
2.4MATLAB的优势
MATLAB由一系列工具组成。
这些工具方便用户使用MATLAB的函数和文件,其中许多工具采的的是图形用户界面。
包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。
随着MATLAB的商业化以及软件本身的不断升级,MATLAB的用户界面也越来越精致,更加接近Windows的标准界面,人机交互性更强,操作更简单。
而且新版本的MATLAB提供了完整的联机查询、帮助系统,极大的方便了用户的使用。
简单的编程环境提供了比较完备的调试系统,程序不必经过编译就可以直接运行,而且能够及时地报告出现的错误及进行出错原因分析。
Matlab一个高级的矩阵/阵列语言,它包含控制语句、函数、数据结构、输入和输出和面向对象编程特点。
用户可以在命令窗口中将输入语句与执行命令同步,也可以先编写好一个较大的复杂的应用程序(M文件)后再一起运行。
新版本的MATLAB语言是基于最为流行的C++语言基础上的,因此语法特征与C++语言极为相似,而且更加简单,更加符合科技人员对数学表达式的书写格式。
使之更利于非计算机专业的科技人员使用。
而且这种语言可移植性好、可拓展性极强,这也是MATLAB能够深入到科学研究及工程计算各个领域的重要原因【1】。
3设计方案
灰度共生矩阵的特征参数:
灰度共生矩阵反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。
通过灰度共生矩阵可以分析图像的局部模式和排列规则等,为了能更直观地以灰度共生矩阵描述纹理状况,一般不直接应用得到的共生矩阵,而是在其基础上获取二次统计量。
为了分析方便,先将各个元素dP(i,j)除以各元素之和S,得到各元素都小于1的归一化值dˆP(i.j),由此得到归一化共生矩阵。
Haralick等人定义了14个用于纹理分析的灰度共生矩阵特征参数。
Ulaby等人研究发现:
在基GLCM的14个纹理特征中,仅有4个特征是不相关的,这4个特征既便于计算又能给出较高的分类精度,一般采用下面四个最常用的特征来提取图像的纹理特征[6]。
3.1二阶距(能量)
二阶距是灰度共生矩阵元素值得平方和,所以也称为能量,反映了图像灰度分布均匀程度和纹理粗细程度。
如果灰度共生矩阵的所有值均相等,则f1小。
如果其中一些值大而其他值小,则f1大。
当f1大时,纹理粗,能量大;
反之,f1小时,纹理细,能量小[4]。
3.2惯性矩
惯性矩是灰度共生矩阵的二次统计量,与其他统计量如逆矩阵、方差、熵等相比,惯性矩将图像灰度的空间分布差异拉开,更能分辨出灰度空间分布的复杂程度。
3.3相关
相关是用来衡量灰度共生矩阵的元素在行或列方向上的相似程度。
当矩阵元素值均匀相等时,相关值就大;
相反,如果矩阵像素值相差很大则相关值小。
如果图像中有水平方向纹理,则水平方向矩阵的相关值大于其余矩阵的相关值[4]。
3.4熵
熵是图像具有信息量的度量,纹理信息也属于图像的信息,是一个随机性的度量,当灰度共生矩阵中所有元素有最大的随机性、灰度共生矩阵中所有值几乎相等时,共生矩阵中元素分散分布时,熵较大[4]。
它表示图像中纹理的非均匀程度或复杂程度。
若图像没有任何纹理,则灰度共生矩阵几乎为零阵。
它反映图像中纹理的复杂程度或非均匀度。
若纹理复杂,熵值大;
反之,若图像中灰度均匀,共生矩阵中元素大小差异大,熵值小[8]。
4程序设计
程序代码如下:
Gray=imread('
d:
\1.jpg'
);
[M,N,O]=size(Gray);
M=256;
N=256;
%Gray=double(0.3*Image(:
:
1)+0.59*Image(:
2)+0.11*Image(:
3));
fori=1:
M
forj=1:
N
forn=1:
256/16
if(n-1)*16<
=Gray(i,j)&
Gray(i,j)<
=(n-1)*16+15
Gray(i,j)=n-1;
end
end
P=zeros(16,16,4);
form=1:
16
forn=1:
ifj<
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);
ifi>
1&
j<
Gray(i-1,j+1)==n-1
P(m,n,2)=P(m,n,2)+1;
P(n,m,2)=P(m,n,2);
ifi<
M&
Gray(i+1,j)==n-1
P(m,n,3)=P(m,n,3)+1;
P(n,m,3)=P(m,n,3);
Gray(i+1,j+1)==n-1
P(m,n,4)=P(m,n,4)+1;
P(n,m,4)=P(m,n,4);
ifm==n
P(m,n,:
)=P(m,n,:
)*2;
disp('
0度时的灰度共生矩阵:
'
disp(P(:
1));
45度时的灰度共生矩阵:
2));
90度时的灰度共生矩阵:
135度时的灰度共生矩阵:
4));
4
P(:
n)=P(:
n)/sum(sum(P(:
n)));
H=zeros(1,4);
I=H;
Ux=H;
Uy=H;
deltaX=H;
deltaY=H;
C=H;
E(n)=sum(sum(P(:
n).^2));
%%能量
ifP(i,j,n)~=0
H(n)=-P(i,j,n)*log(P(i,j,n))+H(n);
%%熵
I(n)=(i-j)^2*P(i,j,n)+I(n);
%%惯性矩
Ux(n)=i*P(i,j,n)+Ux(n);
%相关性中μx
Uy(n)=j*P(i,j,n)+Uy(n);
%相关性中μy
fori=1:
forj=1:
deltaX(n)=(i-Ux(n))^2*P(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)=i*j*P(i,j,n)+C(n);
C(n)=(C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n);
%相关性
a1=mean(E)
b1=sqrt(cov(E))
a2=mean(H)
b2=sqrt(cov(H))
a3=mean(I)
b3=sqrt(cov(I))
a4=mean(C)
b4=sqrt(cov(C))
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:
H
(1),H
(2),H(3),H(4))%输出数据;
0,45,90,135方向上的惯性矩依次为:
I
(1),I
(2),I(3),I(4))%输出数据;
0,45,90,135方向上的相关性依次为:
C
(1),C
(2),C(3),C(4))%输出数据;
[9]
5仿真结果与分析
5.1仿真图
输入图像“1.jpg”如图4.1所示:
图5.1原图像
输出结果:
图5.2,图5.3,图5.4,图5.5,图5.6,图5.7,图5.8,图5.9
得出该图像四个不同方向的灰度共生矩阵,从而反映了图像灰度分布关于方向,变化幅度和局部领域的综合信息。
图5.20度共生矩阵
图5.30度共生矩阵
图5.445度共生矩阵
图5.545度共生矩阵
图5.690度共生矩阵
图5.790度共生矩阵
图5.8135度共生矩阵
图5.9135度共生矩阵
图5.10各类参数值
5.2结果分析
通过数字图像的采集,将图像的数值信息输入进预先编设好的程序,进行灰度图像的变换,将灰度变换后的图像输入给灰度共生矩阵的处理程序,从而得到输出的四个不同的灰度矩阵,获得图像表面的四个不同矩阵的特征量,方向分别取0度、45度、90度、135度。
得到各个方向的能量、熵、惯性矩和相关性的值,从而得到图像变化幅度和局部领域的综合信息。
6结论
由上述分析可知计算LLCM时要考虑四个变量,计算窗口大小N,图像灰度级L,方向e和距离d
(1)对于计算窗口N的选取,不宜过大或过小,过大将导致计算和存储量大,但过小又导致不能包含完整的纹理信息。
一般而言,当图像大小确定后,计算窗口就随之确定,除非对图像分块处理或者确定图像的ROI(RegionOfInterest)区域后再提取CLCMo
(2)对于灰度级L的选取,灰度级决定了LLCM的计算规模,降低灰度级可以提高计算速度和减少存储空间需求,且适当降低灰度级还可以减少噪声对图像的影响,但过小的灰度级会破坏有用纹理的成分。
(3)对于距离d的选择,共生矩阵在精细纹理中随距离而快速变化,而在粗糙纹理中随距离则变化缓慢。
一般而言,对于平滑纹理用较大的距离,对于粗糙纹理用较小的距离会取得较好的效果。
(4)对于方向e的选择,一般有四种取值0,40,90,130,通过不同e可以考察不同的纹理,不同e生成的共生矩阵中包含不同的纹理信息,一般而言,在考虑方向时,往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值,然后以各方向特征值的均值作为最终纹理分量。
基于灰度共生矩阵的纹理特征提取是分析图像纹理的有利工具,文中对灰度共生矩阵纹理特征提取的研究进展做了分类,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。
分析结果对减少灰度共生矩阵的计算量、合理选取计算共生矩阵时的构造参数、优化基于灰度共生矩阵的图像纹理特征提取等均有重要参考意义。
参考文献
[1]郭依正.基于多特征融合的医学图像识别研究[D].镇江江苏大学,2007:
156-257
[2]HaralickRM,Shanmn}amK,DinsLeinI.Texturefeatureforimageclassification[j].IEEETransactionsonSystems:
186-298
[3]余丽萍,黎明,杨小芹,等.基于灰度共生矩阵的断口图像识别[J].计算机仿真,2010,27(4):
224-227
[4]苑丽红,付丽,杨勇,等.灰度共生矩阵提取纹理特征的实验结果分析[J].计算机应用,200929(4):
1018-1021
[5]EquitzW,NiblackW.RetrievingImagesIromaDatabaseU-singTexture-algorithmsfromtheQBICSystem[R].[s.1.]:
[s.n],1994:
245-365
[6]土知鹜.基于纹理及光谱信息融合的遥感图像分类方法研究[D].西安:
西安电子科技大学,2010:
156-245
[7]焦蓬蓬,郭依正.特征级数据融合在医学图像检索中的应用[J].计算机工程与应用,2010,46(6):
217-220.
[8]姜鹤,陈丽亚.SVM文木分类中一种新的特征提取方法[J].计算机技术与发展,2010,20(3):
17-19.
[9]谢菲.图像纹理特征的提取和图像分类系统研究及实现[D].成都:
电子科技大学,2009:
45-186
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 提取 图像 纹理 特征 灰度 共生 矩阵
![提示](https://static.bdocx.com/images/bang_tan.gif)