机器视觉 |
您所在的位置:网站首页 › nznd是什么组合 › 机器视觉 |
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法(GLCM, Gray - level co - occurrence matrix),就是通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的部分特征值,来分别代表图像的某些纹理特征(纹理的定义仍是难点)。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像的局部模式和它们排列规则的基础。 (灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值)对于灰度共生矩阵的理解,需要明确几个概念:方向,偏移量和灰度共生矩阵的阶数。 方向:一般计算过程会分别选在几个不同的方向来进行,常规的是水平方向0°,垂直90°,以及45°和135°; 步距d:中心像元(在下面的例程中进行说明); 灰度共生矩阵的阶数:与灰度图像灰度值的阶数相同,即当灰度图像灰度值阶数为N时,灰度共生矩阵为N × N的矩阵; 算法实现过程: step 1/6:灰度矩阵图灰度矩阵图获取,计算公式简单。 step 2/6:灰度级量化灰度级量化,由于一般计算的灰度级256,效率太低,量化成8或者16级,并且量化前先直方图均衡化提高对比度先。 step 3/6:计算前的参数选择 滑窗尺寸:一般取5*5、7*7。步长d:一般为1,即中心像素与临近像素进行比较。方向选择:一般取四个方向,然后做平均值,多了影响效率。共生矩阵阶数:由量化阶数N决定,为N*N的矩阵 step 4/6:灰度共生矩阵计算灰度共生矩阵计算,以例子来说明 设灰度被分为4阶(灰度阶从0–3);窗口大小为6 x 6,然后对整张图进行滑动,每次可以滑动原图 6 x 6 的范围,假设取了量化后的图的如下灰度矩阵-》 (1) 0°方向,步长为1,统计(1,2)共8个,以此类推 矩阵归一化: (2) 45°方向,步长为1 矩阵归一化: (3) 90°方向,步长为1 (4) 135°方向,步长为1 step 5/6:每个扫描窗口进行灰度共生矩阵特征值计算——对每个扫描窗口进行灰度共生矩阵特征值计算,,得到4个值*窗的个数。 采用四个最常用的特征来提取图像的纹理特征:能量、对比度、相关度、熵。 a. 能量(角二阶距) 能量是灰度共生矩阵各元素的平方和,又被称角二阶距。它是图像纹理灰度变化均一的度量,反映了图像灰度分布均匀程度和纹理粗细程度。 b. 对比度 对比度是灰度共生矩阵主对角线附近的惯性矩,它体现矩阵的值如何分布,反映了图像的清晰度和纹理沟纹的深浅。 c. 相关度 相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度,反映了图像局部灰度相关性。 d. 熵 熵体现了图像纹理的随机性。若共生矩阵中所有值都相等,取得最大值;若共生矩阵中的值不均匀,则其值会变得很小。 step 6/6:所有特征值进行均值和方差计算,得到4个值求出该灰度共生矩阵各个方向的特征值后,再对这些特征值进行均值和方差的计算,得到4个均值和4个方差,这样处理就消除了方向分量对纹理特征的影响。 代码实现过程比较简单,明白了算法过程基本编程没问题,有现成github。 参考琦小虾:https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71552744 青雲-吾道乐途:https://blog.csdn.net/qq_37059483/article/details/78292869 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |