基于GLCM算法的图像纹理特征分析

深入研究灰度共生矩阵(GLCM,Gray Level Co-occurrence Matrix)算法,说明基于灰度共生矩阵的14个纹理特征具体意义,指出纹理特征之间存在冗余性。通过对纹理图像的灰度共生矩阵的计算分析和纹理特征提取实验,表明灰度共生矩阵能够反应图像的特点,与纹理特征描述图像的特点相对应,同时,图像的14个纹理特征之间存在一定程度的冗余,实际中可以根据图像纹理特征的差异,选择几个显著的纹理特征对图像进行分类。纹理特征分析和实验结果对图像纹理特征的应用具有普遍的指导意义。     

基于GLCM和EM算法的纹理图像分割

基于纹理图像的特征,提出了基于灰度共生矩阵（GLCM）和快速极大似然估计（EM）算法相结合的纹理图像分割新算法,为了获得较好的纹理图像分割结果该算法采用灰度共生矩阵的三个常用特征并在四个方向上求平均,从而克服了方向的影响。采用欧式距离度量函数求得两特征向量的距离。通过用改进EM算法对距离矩阵进行聚类,得到纹理图像的初始分割结果,最后用形态学的方法实现对纹理图像边界的精确定位。     

基于方块编码的图像纹理特征提取及检索算法

针对灰度共生矩阵（GLCM）在提取纹理特征时存在的问题，提出一种基于方块编码（BTC）的图像纹理特征的检索算法。首先将图像分成互不重叠的子图像块，然后利用BTC的思想对这些图像块进行编码，进而定义图像的纹理基元并以此作为对图像的纹理描述，并提出采用一种改进的基于纹理基元的共生矩阵来获取纹理特征。实验结果表明，该方法既有效地利用了图像的纹理信息，又考虑了图像的空间和形状信息，具有较好的检索效果。     

一种基于图像处理的背景分类方法

针对各类背景图像在纹理特征上的不同,提出一种基于灰度共生矩阵和主成分分析的背景图像分类方法.在合理构造灰度共生矩阵的基础上,提取14个GLCM纹理特征值,然后对其进行主成分分析得到纹理综合特征函数.实验表明,纹理综合特征函数能够有效对不同类背景图像进行分类.     

灰度共生矩阵纹理特征选块的可逆图像水印

针对当前灰度共生矩阵(GLCM)的4个主要特 征参数与图像子块纹理复杂度之间没有准确的数学关系和隐蔽 图像遮蔽性上不足的问题,提出一种GLCM纹理特征选块的可逆图像水印。首先把原宿主 图像分成 128×128大小的子块;然后利用均方误差(MSE)给 4个纹理特征参数赋予权值,建立特征参数与图像子块复杂度 的数学关系;最后计算得出各个子块的复杂度,选择复杂度最大和次大的子块,采用基于预 测误差对扩展 的可逆算法进行数据隐藏。提出的特征参数与纹理复杂度之间的数学关系,能够准确计算图 像子块复杂度, 嵌入水印后的自然图像和医学图像平均峰值信噪比(PSNR)值较 现有方法分别高出2.65%和0.93%左右。本文算 法能准 确反映子块内部的纹理复杂度并具有更好的隐蔽性,适用于医学、军事和卫星等领域。     

基于LBP-GLCM纹理特征提取的服装图像检索

提出了一种针对服装图像检索的LBP-GLCM纹理特征提取方法,首先利用Uniform-旋转不变局部二值模式算法处理服装图像,得到不会因为旋转而改变的编码图像,然后获取此图像的灰度共生矩阵,采用能量、对比度、相关性和均匀性描述图像的纹理特征.实验数据表明,LBP-GLCM纹理特征提取方法具有良好的抗旋转性,且在采用欧氏距离作为相似性度量时,LBP-GLCM相较于GLCM纹理特征提取方法可以获得更高的检索效率和准确率.     

基于改进方向纹理谱特征的图像检索

在定义图像局部邻域纹理方向特性的基础上,提出了一种新的方向纹理谱描述符。该描述符针对局部邻域内中心像素与其相对的邻域像素,既充分考虑了它们间的灰度变化关系,又考虑了它们间灰度差异的变化关系,从而更有效地描述了局部纹理特征。为证明新描述符的分辨能力,采用4种不同图像库进行图像检索对比实验,结果表明,本文的新纹理谱描述符取得了最好的检索效果。     

融合LBP与GLCM的人群密度分类算法

针对中高密度人群图像检测分类对公共安全的重要性,提出融合局部二值模式LBP与灰度共生矩阵GLCM特征提取的人群密度分类方法。首先用旋转不变的LBP算子进行滤波,得到LBP图像,然后提取滤波后图像的GLCM特征,这样既可以避免LBP算子特征降维带来的损失,又能充分利用LBP和GLCM纹理特征提取的有效性,最后采用有向无环图支持向量机DAGSVM进行密度分类。在Pets2009基准数据库中的实验结果显示该算法具有较高的准确率。     

基于随机森林和纹理特征的苹果园遥感提取

为准确、快速地从高分影像中获取苹果种植分布信息,以QuickBird遥感影像为数据源,首先采用分形理论和灰度共生矩阵(GLCM)提取纹理特征,然后将提取的分形纹理和GLCM纹理特征分别与光谱特征组合,最后开展随机森林分类实验,对不同分类特征和不同分类方法的实验结果进行比较。结果表明:光谱+GLCM纹理识别苹果园的效果明显优于光谱特征和光谱+分形纹理,其苹果园提取精度为95.99%,比光谱分类显著提高11.83%,比光谱+分形纹理提高1.34%;在相同分类特征下随机森林分类结果最高,其中,随机森林结合光谱+GLCM纹理分类精度最高,总体精度和Kappa系数分别为95.30%和0.94,较最小距离和支持向量机分类有明显提高。     

基于空间信息的FCM医学图像高效分割

标准FCM算法仅考虑图像的灰度信息,没有考虑图像的空间信息,所以对噪声比较敏感。考虑到医学图像数据提取中必定包含噪声,因此设计的算法必须对噪声具有鲁棒性。文中算法在KFCM_S2的基础上加入模糊空间信息,利用邻域像素对当前像素作用的先验概率,重新确定当前像素的模糊隶属度,同时进一步地调整距离矩阵。为实现快速聚类,算法的...     

An investigation of the textural characteristics associated withgray level cooccurrence matrix statistical parameters

The aim of this study was to investigate the statistical meaning of six GLCM (Gray Level Cooccurrence Matrix) parameters. This objective was mainly pursued by means of a self-consistent, theoretical assessment in order to remain independent from test image. The six statistical parameters are energy, contrast, variance, correlation, entropy and inverse difference moment, which are considered the most relevant among the 14 originally proposed by Haralick et al. The functional analysis supporting theoretical considerations was based on natural clustering in the feature space of segment texture values. The results show that among the six GLCM statistical parameters, five different sets can be identified, each set featuring a specific textural meaning. The first set contains energy and entropy, while the four remaining parameters can be regarded as belonging to four different sets. Two parameters, energy and contrast, are considered to be the most efficient for discriminating different textural patterns. A new GLCM statistical parameter, recursivity, is presented in order to replace energy which presents some degree of correlation with contrast. It is demonstrated that in some cases it may be reasonable to replace the computation of GLCM with that of GLDH (Gray Level Difference Histogram), in order to benefit by a better compromise between texture measurement accuracy, computer storage and computation time     

利用深度和灰度图像实现三维目标的识别与分类

将深度图像和灰度图像相结合,对围绕定轴旋转的三维目标进行了识别与分类。将深度图像作为相位因子,对其进行傅里叶变换,并用其制成三维定向图,用于三维目标的识别和旋转角度的判定;对于灰度图像,采用主分量分析(PCA)的方法,对训练图像进行特征分析。根据深度图像测定的目标角度,对三维目标灰度图像在其所属特征空间进行分解与重构。实验结果表明,综合利用深度图像和灰度图像,可以大大降低目标识别中的误判概率。     

融合统一模式的LBP和GLCM特征的图像检索算法

文章提出一种融合统一模式的LBP特征和GLCM特征的图像检索算法。首先,对图像做统一模式的LBP变换处理提取图像直方图特征。计算图像GLCM在0°、45°、90°、135°四个方向下的对比度、相关性、能量、同质系数的均值和标准差。然后,融合LBP直方图特征与GLCM纹理统计特征作为图像的检索特征,选用Canberra距离进行相似度度量,完成图像检索。实验结果表明,本算法在两个图像库上均具有较高的平均查准率,分别达到了82.91%和79.48%。     

基于二维压缩感知和分层特征的图像检索算法

为了保留图像分析时的像素点位置关系及降维处理,把一维压缩感知理论推广到二维,建立了二维可稀疏信号的压缩测量模型,研究了一种二维信号的自适应梯度下降重构AGDR(Adaptive Gradient Descent Recursion)算法,由此提出了一种图像分层特征提取与检索方法.首先对图像在RGB颜色空间上进行网格离散划分,通过分层算子对图像进行分层映射,定义一种基于颜色网格空间的扩展灰度共生矩阵,采用二维测量模型获取图像的分层测量特征、纹理特征与分层颜色统计特征,图像分层测量特征综合反映出图像的颜色及像素点位置的关系,扩展灰度共生矩阵反映纹理特征.其次用AGDR算法计算检索图像之间的原始信号差量及其稀疏值.最后结合两类分层特征差量、稀疏值和颜色统计特征,融合计算图像间整体相似度度量指标.仿真实验表明,应用分层二维压缩感知测量与AGDR算法的图像检索方法在检索时间、查全率和查准率等指标上具有优越性能,为图像检索提供了新思路.     

Automatic recognition of woven fabrics based on texture and using SVM

This paper proposes the recognition and classification of three dominant patterns of woven fabrics such as twill, satin and plain. The proposed classifier is based on the texture analysis of woven fabric images for the recognition. In the pattern recognition phase, three methods are tested and compared: Gabor wavelet, local binary pattern operators and gray-level co-occurrence matrices (GLCM). Taking advantage of the differences between the woven fabric textures, we adopt a technique which is based on the texture of the images in the pattern recognition phase. For the classification phase we used a support vector machine, which we have proven is a suitable classifier for this type of problem. The experimental results show that some of the studied methods are more compatible with this classification problem than others. Although it is the oldest method, GLCM always remains accurate (97.2%). The fusion of the Gabor wavelet and GLCM gives the best result (98%), but GLCM have the better running time.