【路面分类】灰度共生矩阵图形纹理检测+SVM路面状况分类【含Matlab源码 1519期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、简介（附课程作业报告）

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图像领域研究的一个重要方法。
本项目以道路状况分类为背景，基于SVM使用纹理特征参数完成对道路状况的分类。

1 灰度共生矩阵的特征参数

• 二阶矩
• 对比度
• 相关性
• 熵
• 逆差距

2 实现过程
本文以识别路况为背景设计系统，首先读取图像文件，在为了得到较为理想的结果，给出的图片尺寸较小，这样的目的在于提高运行速度、能够对理想情况下的识别结果有更加精确的把握。由于RGB图像的体积较大，但另一方面我们也知道，一张图片也可以用其灰度图像来反映，因此，对目标图像进行灰度的转化，可以降低对设计复杂度和运行效率的要求。尽管灰度转化后可以有效的降低图片的大小，但是对于256灰度级的图片仍然会给处理带来一些时间上的消耗，因此需要在保持原图像信息不变的情况下大量削减灰度级，通过对图像进行直方图均衡化处理，增加灰度值的动态范围，从而增加图像的整体对比效果。通常，需要将每个扫描的方向所计算的特征参数计算出来作一个权衡，这样能够更好地综合影响因素，一般会将每个方向的特征参数计算出来取平均，这样就可以以一个综合的指标来识别图像了。把所有的设计思路综合起来，可以用下图所示的系统设计框图来反映。

3 分类结果

通过样本标签和分类后的标签对比，得出使用能量和对比度作为训练分类器的样本，分类器对于实验待分类样本分类的其正确率为：95%，由此可以看出，这个分类器对于道路状况的分类仍然具有一定的意义。

4 设计总结
计算灰度共生矩阵时要考虑三个变量，图像灰度级、方向和距离。
对于灰度级的选取，灰度级决定了灰度共生矩阵的计算规模，降低灰度级可以提高计算速度和减少存储空间需求，且适当降低灰度级还可以减少噪声对图像的影响，但过小的灰度级会破坏有用纹理的成分。
对于距离d的选择，共生矩阵在精细纹理中随距离而快速变化，而在粗糙纹理中随距离则变化缓慢。一般而言，对于平滑纹理用较大的距离，对于粗糙纹理用较小的距离会取得较好的效果。对于方向的选择，一般有四种取值，通过不同方向可以考察不同的纹理，不同方向生成的共生矩阵中包含不同的纹理信息。在考虑方向时，往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值，然后以各方向特征值的均值作为最终纹理分量。
利用SVM进行分类时，样本的选取和核函数的选取是分类器是否优良的一个重要影响因素，因此，对于一个优良的分类器，应该充分考虑各种影响因素后，选择一个最优的方案才能使待分类目标得到更好的分类。

⛄二、部分源代码

clc;close all ; clear all;
%--------------------------------------------------------------------------
%获取图像和图像信息
%--------------------------------------------------------------------------
file_jpg = ls(strcat('*.jpg'));
files = cellstr(file_jpg);
fileNum =  length(files);

Ans_data=zeros(5,4,fileNum);

for n = 1 :fileNum
    [Ans_data(1,:,n),Ans_data(2,:,n),Ans_data(3,:,n),Ans_data(4,:,n),Ans_data(5,:,n)]=img_process_fuc(files{n});
end

angle = 0:45:135;
color = ['k','b','c','r','g','y'];

%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的能量
%--------------------------------------------------------------------------
for n = 1:fileNum
    subplot(2,3,1);L1=plot(angle,Ans_data(1,:,n),color(n));xlabel('角度');ylabel('能量');
    set(L1,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
    hold on;grid on
end

%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的对比度
%--------------------------------------------------------------------------
for n = 1:fileNum
    subplot(2,3,2);line=plot(angle,Ans_data(2,:,n),color(n));xlabel('角度');ylabel('对比度');
    set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
    hold on;grid on
end

%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的相关度
%--------------------------------------------------------------------------
for n = 1:fileNum
    subplot(2,3,3);line=plot(angle,Ans_data(3,:,n),color(n));xlabel('角度');ylabel('相关度');
    set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
    hold on;grid on
end

%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的熵
%--------------------------------------------------------------------------
for n = 1:fileNum
    subplot(2,3,4);line=plot(angle,Ans_data(4,:,n),color(n));xlabel('角度');ylabel('熵');
    set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
    hold on;grid on
end

%--------------------------------------------------------------------------
%显示每张图片在四个方向上求得的逆差
%--------------------------------------------------------------------------
for n = 1:fileNum
    subplot(2,3,5);line=plot(angle,Ans_data(5,:,n),color(n));xlabel('角度');ylabel('逆差');
    set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
    hold on;grid on
end

%--------------------------------------------------------------------------
%分别显示每张图片在四个方向上求得的逆差
%--------------------------------------------------------------------------
dataName = {'能量','对比度','相关度','熵','逆差'};
for dataNum = 1:5
    figure(dataNum+1);
    for n = 1:fileNum
        line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName{dataNum});
        set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
        hold on;grid on
    end
end

%--------------------------------------------------------------------------
%求均值
%--------------------------------------------------------------------------
mean_x = Ans_data ; %均值
mean_y = Ans_data ; %均值
variance_x = Ans_data ; %均方差
variance_y = Ans_data ; %均方差

for dataNum = 1:5
    figure(dataNum+1);
    for n = 1:fileNum
        line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName(dataNum));
        set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
        hold on;grid on
    end
end

% 
%     for n = 1:fileNum
%         line=plot(angle,Ans_data(dataNum,:,n),color(n));xlabel('角度');ylabel(dataName(dataNum));
%         set(line,'color',color(n),'Linewidth',2);set(gca, 'XTick',angle); legend(files);
%         hold on;grid on
%         
%     end
% E_mean = mean(energy);E_variance = sqrt(cov(energy));
% EN_mean = mean(entropy);EN_variance = sqrt(cov(entropy));
% CON_mean = mean(contrast);CON_variance = sqrt(cov(contrast));
% COR_mean =  mean(correlation) ;COR_variance = sqrt(cov(correlation));
% D_mean = mean(deficit);D_variance = sqrt(cov(deficit));
function [ energy,contrast,correlation,entropy,deficit] = img_process_fuc( img_file )

img = imread(img_file,'jpg'); %imshow(image); %读取图片
img = rgb2gray(img);%转为灰度图像
img = histeq(img);%直方图均衡化

gray_leave = 256 ;%灰度级数
gray_leave_com = 32 ;%压缩后灰度级数
dx = 1 ; dy = 1 ;%搜寻灰度步进长度
[L,W] = size(img);%图片的尺寸，L长 ，W宽

%--------------------------------------------------------------------------
%2.为了减少计算量，对原始图像灰度级压缩，将img量化成16级
%--------------------------------------------------------------------------
for i = 1 : L
    for j = 1 : W
        for n = 1 : gray_leave_com
            if (n-1)*(gray_leave/gray_leave_com) <= img(i ,j)  && ...
                    img(i ,j)<= (n-1)*(gray_leave/gray_leave_com )+(gray_leave/gray_leave_com )-1
                img(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(gray_leave_com,gray_leave_com,4);

for m = 1 : gray_leave_com
    for n  = 1 : gray_leave_com
        for i = 1 : L
            for j = 1 : W
                if (j<=W-dy && img(i , j) == m-1 && img(i ,j+dy) ==n-1) %角度为0
                    P(m , n , 1) = P(m, n ,1) + 1 ;
                end
                if (i<=L-dx && j<=W-dy && img(i , j) == m-1 && img(i +dx ,j+dy) ==n-1) %角度为45
                    P(m , n , 2) = P(m, n ,2) + 1;
                end
                if (i<=L-dx && img(i , j) == m-1 && img(i +dx ,j) ==n-1) %角度为90
                    P(m , n , 3) = P(m, n ,3) + 1;
                end
                if ( j>dy && i<=L-dx && img(i , j) == m-1 && img(i +dx ,j - dy ) ==n-1) %角度为135
                    P(m , n , 4) = P(m, n ,4) + 1;
                end
            end
        end
    end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合