灰度共生矩阵 Gray-Level Co-occurrence Matrix(GLCM)原理（一）

最新推荐文章于 2021-04-15 19:34:15 发布
最新推荐文章于 2021-04-15 19:34:15 发布
阅读量6.4k 收藏 17
点赞数 3
分类专栏： 数学基础 算法 OpenCV 文章标签： 图像处理 纹理识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yl_best/article/details/104945276
版权

目录

重要概念

GLCM属性

1. 该矩阵是方形的，即N*N大小，一般为8*8, 16*16,32*32

2.它的行数和列数与图像的量化级别相同。

3. 该矩阵沿对角线对称。

4. offset位移，距离 ,定义为[row_offset, col_offset]

如何产生对称的共生矩阵GLCM图例说明

水平方向共生矩阵

垂直方向共生矩阵

归一化公式

产生对称的共生矩阵GLCM总结

官方说明

重要概念

neighbour pixel: 共生点
ref pixel:参考点，基准点

灰度共生矩阵（GLCM）：是一种统计表格，不是一幅图片

GLCM属性

1. 该矩阵是方形的，即N*N大小，一般为8*8, 16*16,32*32

2.它的行数和列数与图像的量化级别相同。

如果图片是8位深度，即灰度范围[0,255]共2^8=256个级别（level），那么行数与列数都是256；但是这样的矩阵计算量太大，一般会缩放至2^3=8或2^4=16个级别，也有2^5=32个级别的。

3. 该矩阵沿对角线对称。

如果共生点对(0,2)在图片中出现了一次【往东边计算】，那么反过来，往西边计算，共生点对(2,0)在图片中也出现一次。

这样做的目的是：最东边的元素没有右边的共生点可以计算，而最西边的元素没有左边的共生点，让共生矩阵对称后就不会有此问题。

换句话说，就是从东往西计算一次，再从西往东计算一次。【参考offset位移，距离 ,定义为[row_offset, col_offset]】

以下面的原始图为例，以共生点对（0,2）为例，从东往西(0,2)计算出现一次，从西往东(2,0)计算也出现一次，这时不用管谁在左谁在右，只要它们之间的距离是1就行。即水平方向它们出现两次。</

最低0.47元/天 解锁文章
灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）
weixin_43415436的博客
05-29 9691
1、概念： (下面这些概念我也不懂，看着就头疼，自行了解，不过应该支持原创！) 1、灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。 2、灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）,又叫做灰度共现矩阵； 3、个人理解...
【知识---图像特征提取算法--灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）原理、特点、应用场合及代码】
最新发布
fyc300的博客
01-31 3494
图像特征提取是计算机视觉领域中的一个重要任务，它有助于将图像转换为可用于分析和识别的数值表示。提示：以下是本篇文章正文内容，下面案例可供参考GLCM 是一种广泛应用于纹理分析、图像分类和目标识别等领域的有效方法。在使用 GLCM 时，需要结合具体的应用场景和问题，综合考虑参数选择和特征提取方法，以达到最佳效果。
灰度共生矩阵（GLCM）
linxue博客
11-25 1万+
<br />共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。<br />一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。<br />设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为<br />P(i,j)=#｛(x1,y1),(x2,y2)∈M×
图像纹理——灰度共生矩阵
热门推荐
sunny的专栏
11-11 8万+
1.灰度共生矩阵 本文是借用一篇文章的例子讲解灰度共生矩阵，用文字说明感觉说不清，自己之前用该方法做过实验，还是会忘，所以干脆用例子的方式介绍，下一次再看也容易理解。 在图像中任意一点（x,y）及偏离它的一点(x+a,y+b)(其中a，b为整数，认为定义)构成点对。设该点对的灰度值为(f1,f2),假设图像的最大灰度级为L,则f1与f2的组合共有L*L种。对于整福图像，统计每一种(f1,f2)
灰度共生矩阵
07-09 197
灰度直方图是对整张图像所有像素点的灰度值进行统计的结果。 灰度共生矩阵是对图像上保持某种距离的两像素点的灰度状况进行统计的结果。 取图像 (N×N) 中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对...
灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）
weixin_40680322的博客
12-28 428
定义：像素对的联合分布概率（对称矩阵）。
Gray-level_Co-occurrence_Matrix(灰度共生矩阵).doc
04-28
灰度共生矩阵（Gray-level Co-occurrence Matrix, GLCM）是图像处理中用于分析纹理特征的一种统计方法。它通过计算图像中像素对在特定距离和方向上的出现频率，来揭示图像的局部模式和结构。这种方法特别适用于描述...
GLCM_灰度共生矩阵_python_
10-03
灰度共生矩阵（Gray Level Co-occurrence Matrix，简称GLCM）是图像处理中的一个关键概念，用于描述图像中像素之间的关系。它提供了一种量化分析图像纹理特征的方法，广泛应用于图像分类、图像识别和医学图像分析等...
灰度共生矩阵原理
《好好先生》专栏
10-13 1214
灰度共生矩阵原理 共生矩阵用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描...
图片灰度矩阵
10-14
一副风格化图片的读入显示灰度矩阵
灰度共生矩阵（超简单理解）
白雪
06-01 8万+
1.灰度共生矩阵生成原理   灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。   灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上...
机器视觉_图像算法（三）——灰度共生矩阵(GLCM)
DONG_LIN_2019的博客
12-04 1万+
目录 灰度共生矩阵(GLCM) 算法简介 算法实现过程： step 1/6：灰度矩阵图 step 2/6：灰度级量化 step 3/6：计算前的参数选择 step 4/6：灰度共生矩阵计算 step 5/6：每个扫描窗口进行灰度共生矩阵特征值计算 step 6/6：所有特征值进行均值和方差计算，得到4个值 代码实现过程 参考 灰度共生矩阵(GLCM) 算法简介 ...
灰度共生矩阵：Gray-Level Co-occurrence Matrix
Mortal's blog
04-15 3431
定义 https://zhuanlan.zhihu.com/p/147066037 https://blog.youkuaiyun.com/kmsj0x00/article/details/79463376 https://blog.youkuaiyun.com/qq_36654309/article/details/106527876 https://www.cnblogs.com/rong86/p/3695621.html https://blog.youkuaiyun.com/jialeheyeshu/article/details/5
灰度共生矩阵与梯度-灰度共生矩阵的区别
05-20
灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）和梯度-灰度共生矩阵（Gradient-Gray-Level Co-occurrence Matrix，GGLCM）都是用于图像纹理分析的方法，但是它们之间有一些区别。 GLCM是一种用于描述灰度图像纹理特征的方法，它通过计算不同位置上灰度级别的共生关系来反映纹理的局部空间结构。GLCM中每个元素表示了在一定距离和方向上两个像素之间出现灰度值对的频数或概率分布。GLCM的特征包括能量、对比度、相关性、熵等。 而GGLCM则是在GLCM的基础上增加了梯度信息，可以更好地描述图像的纹理特征。GGLCM中每个元素表示了在一定距离和方向上两个像素之间出现灰度值和梯度值对的频数或概率分布。GGLCM的特征包括能量、对比度、相关性、熵、梯度能量、梯度对比度、梯度相关性等。 因此，GGLCM相对于GLCM来说，具有更多的信息，能够更准确地描述图像的纹理特征。但同时，GGLCM的计算量也更大，需要更多的时间和计算资源。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值