Question

图像 灰度共生矩阵怎么在matlab中实现，要具体源程序

Answer 1

matlab提供了现成的函数
graycomatrix生成共生矩阵
graycoprops计算其特征值

具体用法：
glcm = graycomatrix(I)
从图像I创建灰度共生矩阵glcm。通过计算具有灰度级i和灰度级j的像素对在水平方向相邻出现的频繁程度。glcm中的每个元素说明了水平方向相邻像素对出现的次数。如果灰度级为L则glcm的维数为L*L。
2.glcms = graycomatrix(I,param1,val1,param2,val2,...)
根据参数对的设定，返回一个或多个灰度共生矩阵。
参数说明：
'GrayLimits'：灰度界限，为二元向量[low high]。灰度值小于等于low 时对应1，大于等于high时对应于灰度级。如果参数设为[]，则共生矩阵使用图像的最小和最大灰度值作为界限，即[min(I(:)) max(I(:))]。
'NumLevels'：整数，说明I中进行灰度缩放的灰度级数目。例如，如果NumLevel设为8，则共生矩阵缩放I中的灰度值使它们为1到8之间的整数。灰度级的数目决定了共生矩阵glcm的尺寸。缺省情况：数字图像：8；二进制图像：2。
'Offset'：p行2列整型矩阵，说明感兴趣像素与其相邻像素之间的距离。每行是一个说明像素对之间偏移关系的二元向量[row_offset, col_offset]。行偏移row_offset是感兴趣像素和其相邻像素之间的间隔行数。列偏移同理。偏移常表达为一个角度，常用的角度如下：（其中D为像素距离）
角度 0 45 90 135
Offset [0,D] [-D D] [-D 0] [-D -D]
3.[glcms,SI] = graycomatrix(...)
返回缩放图像SI，SI是用来计算灰度共生矩阵的。SI中的元素值介于1和灰度级数目之间。
graycoprops：得到灰度共生矩阵得到各种属性
stats = graycoprops(glcm, properties)：从灰度共生矩阵glcm计算静态属性。glcm是m*n*p的有效灰度共生矩阵。如果glcm是一个灰度共生矩阵的矩阵，则stats是包括每个灰度共生矩阵静态属性的矩阵。
graycoprops正规化了灰度共生矩阵，因此元素之和为1。正规化的GLCM中的元素（r，c）是具有灰度级r和c的定义的空间关系的像素对的联合概率。Graycoprops使用正规化的GLCM来计算属性。
属性参数如下：
1. 'Contrast' : 对比度。返回整幅图像中像素和它相邻像素之间的亮度反差。取值范围：[0,（GLCM行数-1）^2]。灰度一致的图像，对比度为0。
2. 'Correlation' : 相关。返回整幅图像中像素与其相邻像素是如何相关的度量值。取值范围：[-1,1]。灰度一致的图像，相关性为NaN。
3. 'Energy' : 能量。返回GLCM中元素的平方和。取值范围：[0 1]。灰度一致的图像能量为1。
4. 'Homogemeity' : 同质性。返回度量GLCM中元素的分布到对角线紧密程度。取值范围：[0 1]。对角矩阵的同质性为1。

Answer 2

close all
clear all
clc;
I=imread('F:\图像变化检测\image\Texture image(3.27)\texture5.tif');
%I=rgb2gray(I); %% if the input image is RGB form.
%I=I(1:128,1:128); %% derive a small one just for demo
I=im2double(I);
w=15;
I1=wextend('2D','sym',I,(w-1)/2); %I=wextend('2D','sys',I,[w/2-1/2,w/2-1/2]); this is used for odd size window %扫描窗口的大小15*15，为之后程序方便找中心点可以将窗口设置成4*4-32*32之间的任何奇数窗口
%
%s=4; %this variable is used for setting the range of the distance between i and j,remember don't set s a too big num.
%A=zeros(s,1);
%B=(1:s)';
%offsets1 = [A B;-B B;-B A;-B -B]; %% sets the directions and distance within the pexil i and j
%
offsets1=[0 1]; %水平单步
%
[m,n]=size(I1);
I11=zeros(m,n); %定义5个矩阵用于存放由graycomatrix产生的5个参数
I12=zeros(m,n); %这样就能够再执行完一次操作后，利用得到的各种特征参数矩阵分别去聚类分割
I13=zeros(m,n); %这样总的耗时短，不用每次都重新执行扫描窗口和共生矩阵来产生特征参数（这个最耗费时间）
I14=zeros(m,n);
I15=zeros(m,n);
for i=(w+1)/2:m-(w-1)/2
for j=(w+1)/2:n-(w-1)/2
W=zeros();
W=I1(i-(w-1)/2:i+(w-1)/2,j-(w-1)/2:j+(w-1)/2);
[glcms,SI] = graycomatrix(W,'NumLevels',8,'G',[],'offset',offsets1);
stats = graycoprops(glcms,'all');
Con=[stats.Contrast];
H=[stats.Homogeneity];
Cor=[stats.Correlation];
Ee=[stats.Energy];

eigenvalue=mean(Con);
I11(i,j)=eigenvalue;
I12(i,j)=mean(H);
I13(i,j)=mean(Cor);
I14(i,j)=mean(Ee);
I15(i,j)=mean(En);
end
end
%
I2=I15((w+1)/2:m-(w-1)/2,(w+1)/2:n-(w-1)/2); %%得到原始图像
ma=max(I2(:));
mi=min(I2(:));
I3=(I2-mi)/(ma-mi); %%归一化
I3=im2double(I3);

Answer 3

%**************************************************************************
% 图像检索——纹理特征
%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵
%所用图像灰度级均为256
%参考《基于颜色空间和纹理特征的图像检索》
%function : T=Texture(Image)
%Image : 输入图像数据
%T : 返回八维纹理特征行向量
%**************************************************************************
% function T = Texture(Image)
Gray = imread('d:\result5.bmp');
[M,N,O] = size(Gray);
M = 128;
N = 128;

%--------------------------------------------------------------------------
%1.将各颜色分量转化为灰度
%--------------------------------------------------------------------------
% Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3));

%--------------------------------------------------------------------------
%2.为了减少计算量，对原始图像灰度级压缩，将Gray量化成16级
%--------------------------------------------------------------------------
for i = 1:M
for j = 1:N
for n = 1:256/16
if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15
Gray(i,j) = n-1;
end
end
end
end

%--------------------------------------------------------------------------
%3.计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135
%--------------------------------------------------------------------------
P = zeros(16,16,4);
for m = 1:16
for n = 1:16
for i = 1:M
for j = 1:N
if j<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);
end
if i>1&j<N&Gray(i,j)==m-1&Gray(i-1,j+1)==n-1
P(m,n,2) = P(m,n,2)+1;
P(n,m,2) = P(m,n,2);
end
if i<M&Gray(i,j)==m-1&Gray(i+1,j)==n-1
P(m,n,3) = P(m,n,3)+1;
P(n,m,3) = P(m,n,3);
end
if i<M&j<N&Gray(i,j)==m-1&Gray(i+1,j+1)==n-1
P(m,n,4) = P(m,n,4)+1;
P(n,m,4) = P(m,n,4);
end
end
end
if m==n
P(m,n,:) = P(m,n,:)*2;
end
end
end

%%---------------------------------------------------------
% 对共生矩阵归一化
%%---------------------------------------------------------
for n = 1:4
P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n)));
end

%--------------------------------------------------------------------------
%4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数
%--------------------------------------------------------------------------
H = zeros(1,4);
I = H;
Ux = H; Uy = H;
deltaX= H; deltaY = H;
C =H;
for n = 1:4
E(n) = sum(sum(P(:,:,n).^2)); %%能量
for i = 1:16
for j = 1:16
if P(i,j,n)~=0
H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵
end
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
end
end
end
for n = 1:4
for i = 1:16
for j = 1:16
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);
end
end
C(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性
end

%--------------------------------------------------------------------------
%求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征
%--------------------------------------------------------------------------
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： %f, %f, %f, %f',H(1),H(2),H(3),H(4)) % 输出数据;
sprintf('0,45,90,135方向上的惯性矩依次为： %f, %f, %f, %f',I(1),I(2),I(3),I(4)) % 输出数据;
sprintf('0,45,90,135方向上的相关性依次为： %f, %f, %f, %f',C(1),C(2),C(3),C(4)) % 输出数据;

这是我最近用过的求灰度共生矩阵及其四个参数的程序，你可以参考一下。