关于纹理特征描述之灰度差分统计特征（平均值对比度熵等）计算 python代码实现

最新推荐文章于 2022-01-06 17:36:54 发布

CYM_CR

最新推荐文章于 2022-01-06 17:36:54 发布

阅读量3k

点赞数 4

文章标签： python 计算机视觉 opencv

本文链接：https://blog.youkuaiyun.com/CYM_CR/article/details/112347712

版权

这篇博客介绍了如何利用Python计算图像的纹理特征，如灰度直方图的统计矩来得到均值、方差、三阶矩，以及计算一致性测度和熵。通过这段代码，可以对图像进行分析，获取其纹理信息，用于图像处理或计算机视觉任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

描述纹理最简单的方法之一就是利用图像或区域的灰度直方图的统计矩。令 z是一个表示灰度的随机变量并令 p(zi ),i=0,1,2,… ,L-1是对应的归一化直方图,其中L是不同灰度级的数量。z相对于平均值的n阶矩是:
在这里插入图片描述
m 是z的均值 (即图像或区域的平均灰度 ):
基于直方图的其他一些有用的纹理测度包括一致性测度,它定义为:

以下是python代码：

# -*- coding: utf-8 -*-
"""
Created on Thu Jan  7 15:07:36 2021

@author: Chen
"""

import cv2 as cv
import numpy as np

img = cv.imread('',cv.IMREAD_UNCHANGED)

#print(img)

pi=[]   
std=[]   
std3=[]    
con = []  
ent = []
hist,bins = np.histogram(img.flatten(),256,[0,256])#计算灰度直方图
cdf = hist.cumsum()
cdf_normalized = hist / cdf.max()#归一化
#计算均值
for i in range(256):
    p = cdf_normalized[i]*i
    pi.append(p)
mean = sum((pi))
#计算方差（二阶矩）
for i in range(256):
    s = (i-mean)**2*cdf_normalized[i]
    std.append(s)
standard = sum(std)
#计算三阶矩
for i in range(256):
    s3 = (i-mean)**3*cdf_normalized[i]
    std3.append(s3)
standard3 = sum(std3)
#计算一致性
for i in range(256):
    c = cdf_normalized[i]**2
    con.append(c)
consistency = sum(con)
#计算熵
for i in range(256):
    e = -(cdf_normalized[i]*np.log2(cdf_normalized[i]+0.00001))
    ent.append(e)
entropy = sum(ent)
print(mean)
print(standard)
print(standard3)
print(consistency)
print(entropy)
#print(cdf.max())
#print(np.apply_over_axes(np.sum, img, [0,1])/cdf.max())
#print(sum(cdf_normalized))