灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,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。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

灰度共生矩阵提取纹理特征的实验结果分析

为使灰度共生矩阵(GLCM)提取的特征值较好地表达纹理信息,对Brodatz纹理库图片进行了大量实验。首先测试了各构造参数对关键特征统计量的影响,给出了特征值随参数变化的规律,确立了构造参数的合理取值;然后测试了图像旋转和大小变化对所提取特征值的影响。实验结果对优化灰度共生矩阵的构造、实现基于纹理的图像检索有参考意义。     

基于灰度共生矩阵的纹理提取方法研究

随着遥感影像空间分辨率的提高,纹理特征在遥感影像中的作用越来越重要。对灰度共生矩阵的GLCM(灰度共生矩阵)同质性、GLCM对比度、GLCM相异性、GLCM角二阶距、GLCM相关性、GLCM熵、GLDV(归一化灰度)反差、GLDV均值、GLDV角二阶矩等九种纹理描述子进行研究,发现采用GLCM角二阶矩、GLDV角二阶矩这两种纹理描述子对高分辨率遥感影像的纹理提取具有较好效果。     

结合多特征和SVM的SAR图像分割

为实现灰度共生矩阵(GLCM)多尺度、多方向的纹理特征提取, 提出了一种结合非下采样轮廓变换(NSCT)和GLCM的纹理特征提取方法。先用NSCT对合成孔径雷达(SAR)图像进行多尺度、多方向分解; 再对得到的子带图像使用GLCM提取灰度共生量; 然后对提取的灰度共生量进行相关性分析, 去除冗余特征量, 并将其与灰度特征构成多特征矢量; 最后, 充分利用支持向量机(SVM)在小样本数据库和泛化能力方面的优势, 由SVM完成多特征矢量的划分, 实现SAR图像分割。实验结果表明, 基于NSCT域的GLCM纹理提取方法和多特征融合用于SAR图像分割, 可以提高分割准确率, 获得较好的边缘保持效果。     

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛.常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类.然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建...     

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。     

基于MATLAB的遥感图像棚户区识别与提取

以QuickBird遥感影像为数据源,研究在MATLAB环境下,利用灰度共生矩阵（GLCM）对QuickBird遥感图像棚户区纹理特征进行识别和提取的方法。首先,利用所选择的四个纹理特征统计量（对比度、能量、同质性和相关性）构建一个特征空间。然后运用非监督分类的方法（ISODATA算法）将研究区分成确定的类别数目。最后,根据实际情况,利用数学形态法对分类结果进行精确定位,从而提取得到研究区域的棚户区信息。     

基于灰度共生矩阵的图像纹理特征提取分析

图像纹理作为一种重要的视觉手段,是图像中普遍存在而又难以描述的特征。目前常用的纹理特征提取的方法主要有统计方法、模型方法、信号处理方法和结构方法。灰度共生矩阵即为灰度级的空间相关矩阵,以其为基础的统计方法通过对矩阵统计量的求取较好地提取到了纹理特征,通过选取关键参数编程并进行仿真实现,分别求取了四个方向的灰度共生矩阵及其特征量来分析图像的纹理特征。     

融合LBP和GLCM的纹理特征提取方法

为提取有效的特征用于纹理描述和分类,提出一种融合局部二进制模式(LBP)和灰度共生矩阵(GLCM)的纹理特征提取方法。利用旋转不变的LBP算子处理纹理图像,得到LBP图像及其GLCM,采用对比度、相关性、能量和逆差矩描述图像的纹理特征。实验结果表明,与其他方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,平均分类正确率达到93%。     

基于纹理特征的卫星云图台风自动识别方法

利用图像的分形维数和灰度梯度共生矩阵提取了卫星云图中台风密蔽云区等目标的纹理特征,将图像分形维数和灰度梯度共生矩阵的三个二次统计特征结合起来,对卫星云图进行识别分类.     

基于灰度共生矩阵的断口图像识别

研究断口图像的识别是进行失效分析的一个重要组成部分,但普遍存在识别率不高的问题,为了有效提高识别率,提出一种基于灰度共生矩阵的断口识别方法,方法采用灰度共生矩阵法对金属断口图像进行特征提取,利用可分性判据来确定能影响纹理特征参数的构造因子(生成步长d,图像灰度级g和生成方向θ),并通过相关性分析来排除在表达金属断口图像纹理中冗余的特征参数,最后采用BP神经网络分类器进行分类,并进行仿真。结果证明,根据上述方法,对金属断口图像的分类是可行的,并且识别率也达到了满意的要求。     

基于综合特征的纹理分割方法

针对灰度共生矩阵只能在单一尺度对纹理进行分析的不足,结合离散框架小波变换产生的尺度共生矩阵与梯度变换图像的灰度共生矩阵,提出了一种具有多尺度分析特性的综合纹理特征提取算法,并利用该特征对纹理图像进行分割.仿真实验结果表明:与基于单一尺度特征的纹理分割方法相比,本文提出的算法能够提高纹理边界定位准确性,减少区域内像素错分,取得了较好的分割效果.     

基于纹理分析的去图象噪声研究

针对中巴卫星高分辨率CCD相机接收影像存在明显的条带噪声，本文提出了基于纹理分析的去条带方法，即将图象上具有特定特征的噪声信息看作是某种对应的纹理特征，在基于纹理特征滤波法进行图象预处理的基础上，再用灰度共生矩阵法进行直方图平滑，以进一步消除局部噪声．     

基于四像素共生矩阵的图像检索

传统的灰度共生矩阵是一种有效的纹理图像分析方法,它在图像理解和计算机视觉研究领域已得到了广泛的应用。为了更有效地进行图像检索,提出了一种新型的共生矩阵描述子,它是通过描述4个像素的空间相关性来进行图像检索。利用该共生矩阵描述子进行图像检索时,首先在RGB颜色空间中计算彩色梯度,然后利用四像素共生矩阵来描述图像特征,并用于基于内容的图像检索。实验结果表明,四像素共生矩阵描述子能够结合颜色、纹理和形状特征,因此检索性能优于灰度共生矩阵和颜色相关图。     

基于TFBP网络的人脸皮肤纹理识别方法

为了可观地评价皮肤的质地,采用图像纹理分析中的空间灰度共生矩阵法提取皮肤纹理图像的重要特征,建立一种新的人脸皮肤纹理的测量识别模型.首先对采集到图像进行预处理,然后采用空间灰度共生矩阵法提取纹理图像的5个特征,最后通过TFBP网络对皮肤纹理图像的训练与分类识别实验结果很好的证明了这种纹理分析与测量方法的有效性.     

基于机器视觉的随机纹理瓷砖的分选系统

针对日益加快的瓷砖生产速度与缓慢的人工分选速度之间不协调导致的瓷砖出产效率低下的问题,提出了以机器视觉软件HALCON 11.0为软件开发平台的结合瓷砖颜色、纹理特征提取的算法,以及针对多分类问题的改进多层感知器神经网络算法(MLPNN).首先对拍摄到的瓷砖图像进行去噪预处理,在HSI颜色空间中提取瓷砖的色调(Hue)特征并计算反映瓷砖的纹理特征的灰度共生矩阵(GLCM)和灰度幅值分布特征,再将得到的特征作为多层感知器的神经网络输入层神经元,然后设计以softmax为激活函数的多层感知器神经网络来进行模式匹配,并与BP神经网络模式匹配方法进行对比,最终搭建出具有简单人机交互界面的随机纹理瓷砖的分选实验样机.实验结果表明:本系统对实验的各类随机纹理瓷砖的分选准确率都在90%以上,具有较高的分选准确率,能应用于瓷砖生产实践.     

Multi-scale GEOBIA with very high spatial resolution digital aerial imagery: scale,texture and image objects

This study used geographic object-based image analysis (GEOBIA) with very high spatial resolution (VHR) aerial imagery (0.3 m spatial resolution) to classify vegetation, channel and bare mud classes in a salt marsh. Three classification issues were investigated in the context of segmentation scale: (1) a comparison of single- and multi-scale GEOBIA using spectral bands, (2) the relative benefit of incorporating texture derived from the grey-level co-occurrence matrix (GLCM) in classifying the salt marsh features in single- and multi-scale GEOBIA and (3) the effect of quantization level of GLCM texture in the context of multi-scale GEOBIA. The single-scale GEOBIA experiments indicated that the optimal segmentation was both class and scale dependent. Therefore, the single-scale approach produced an only moderately accurate classification for all marsh classes. A multi-scale approach, however, facilitated the use of multiple scales that allowed the delineation of individual classes with increased between-class and reduced within-class spectral variation. With only spectral bands used, the multi-scale approach outperformed the single-scale GEOBIA with an overall accuracy of 82% vs. 76% (Kappa of 0.71 vs. 0.62). The study demonstrates the potential importance of ancillary data, GLCM texture, to compensate for limited between-class spectral discrimination. For example, gains in classification accuracies ranged from 3% to 12% when the GLCM mean texture was included in the multi-scale GEOBIA. The multi-scale classification overall accuracy varied with quantization level of the GLCM texture matrix. A quantization level of 2 reduced misclassifications of channel and bare mud and generated a statistically higher classification than higher quantization levels. Overall, the multi-scale GEOBIA produced the highest classification accuracy. The multi-scale GEOBIA is expected to be a useful methodology for creating a seamless spatial database of marsh landscape features to be used for further geographic information system (GIS) analyses.