灰度共生矩阵GLCM

灰度共生矩阵GLCM主要用来描述图像的纹理特征

文章《灰度共生矩阵GLCM分析》提到，图像纹理分析主要有2种

统计纹理分析

寻找刻画纹理的数字特征，一般方法有自相关函数、GLCM、灰度游程等

结构纹理分析

研究组成纹理的基元（单个像素或像素集合）和他们的排列规则，常用树文法

GLCM概念

参考文章《图像特征提取——灰度共生矩阵（GLCM）》

像素灰度在空间位置上的反复出现形成图像纹理，GLCM描述具有某种空间位置关系的两个像素灰度的联合分布

举个简单例子来说明：

假设图像灰度为{0，1，2}，某张图像灰度如图1所示

　　　　　　　　　　　　　　　　　


　　　　　　　　　　　　　　　　　　　图1. 尺寸6*6，灰度级为3的图像

现在仅考虑水平方向相邻像素的关系，得GLCM

Pδ=⎡⎣⎢010101001010100⎤⎦⎥,δ=(±1,0)

其中Pδ(i,j) 表示原图中水平方向相邻两个像素值为 i 和 j 的模式对有多少

比如Pδ(1,2)=10 表示逐行扫描，相邻像素模式对为 1,2 的一共出现了10次

一般意义上，GLCM会考虑不同方向 θ （0，45，90，135）和间距 d

P(i,j|θ,d) 表示在方向 θ 和间距 d 的前提下，模式对 i,j 出现的概率

因此上面的 Pδ(1,2)=10 等价为 P(1,2|0,1)=102∗5∗6=16

GLCM特征

反差/对比度

反映了图像的清晰度和纹理的深浅，纹理越深，反差越大

Con=∑i∑j(i−j)2P(i,j)

能量

反映了图像灰度分布均匀程度和纹理粗细度，能量值大表明当前纹理是规则变化的

Asm=∑i∑jP(i,j)2

熵

是图像包含信息量的随机性度量，纹理越复杂熵越大

Ent=−∑i∑jP(i,j)logP(i,j)

相关性/同质性

反映了图像局部灰度相关性

IDE=∑i∑jP(i,j)1+(i−j)2

GLCM计算

Halcon：cooc_feature_image

OpenCV：cvCreateGLCM，但貌似会有内存泄漏的问题