灰度共生矩陣，在用MATLAB處理醫(yī)學(xué)圖像時(shí)怎么生成灰度共生矩陣

來源：整理時(shí)間：2023-08-20 10:46:14 編輯：智能門戶手機(jī)版

本文目錄一覽

1，在用MATLAB處理醫(yī)學(xué)圖像時(shí)怎么生成灰度共生矩陣
2，共生矩陣的介紹
3，灰度共生矩陣的介紹
4，多選題關(guān)于灰度共生矩陣
5，如何提高灰度共生矩陣的計(jì)算效率

1，在用MATLAB處理醫(yī)學(xué)圖像時(shí)怎么生成灰度共生矩陣

[glcm,SI]=graycomatrix(I); 計(jì)算圖像的灰度共生矩陣

在用MATLAB處理醫(yī)學(xué)圖像時(shí)怎么生成灰度共生矩陣

2，共生矩陣的介紹

對(duì)圖像上單個(gè)象素具有某個(gè)灰度進(jìn)行統(tǒng)計(jì)的結(jié)果，而灰度共生矩陣是對(duì)圖像上保持某距離的兩象素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)得到的。

灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。

共生矩陣的介紹

3，灰度共生矩陣的介紹

你好哦。有幸看到你的問題。但是又很遺憾到現(xiàn)在還沒有人回答你的問題。也可能你現(xiàn)在已經(jīng)在別的地方找到了答案，那就得恭喜你啦。對(duì)于你的問題我愛莫能助！可能是你問的問題有些專業(yè)了?；蛘邉e人沒有遇到或者接觸過你的問題，所以幫不了你。建議你去你問問題的相關(guān)論壇去求助，那里的人通常比較多，也比較熱心，可能能快點(diǎn)幫你解決問題。祝你好運(yùn)~！最后祝您全家幸福健康快樂！

灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。

灰度共生矩陣的介紹

4，多選題關(guān)于灰度共生矩陣

D 灰度共生矩陣得到的幾個(gè)紋理描述量為能量，對(duì)比度，相關(guān)性，熵。（1）能量：是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值??；相反，如果其中一些值大而其它值小，則ASM值大。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式。（2）對(duì)比度：如果偏離對(duì)角線的元素有較大值，即圖像亮度值變化很快，則對(duì)比度會(huì)有較大取值，這也符合對(duì)比度的定義。其中，反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對(duì)比度越大，視覺效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊。（3）相關(guān) ：它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大;相反，如果矩陣像元值相差很大則相關(guān)值小。如果圖像中有水平方向紋理，則水平方向矩陣的COR（自相關(guān)）大于其余矩陣的COR值。（4）熵：是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。

5，如何提高灰度共生矩陣的計(jì)算效率

灰度共生矩陣共生矩陣用兩個(gè)位置的象素的聯(lián)合概率密度來定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關(guān)圖象亮度變化的二階統(tǒng)計(jì)特征。它是定義一組紋理特征的基礎(chǔ)。一幅圖象的灰度共生矩陣能反映出圖象灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局部模式和它們排列規(guī)則的基礎(chǔ)。設(shè)f(x,y)為一幅二維數(shù)字圖象，其大小為M×N，灰度級(jí)別為Ng,則滿足一定空間關(guān)系的灰度共生矩陣為P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝其中#(x)表示集合x中的元素個(gè)數(shù)，顯然P為Ng×Ng的矩陣，若(x1,y1)與(x2,y2)間距離為d,兩者與坐標(biāo)橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣P(i,j,d,θ)。紋理特征提取的一種有效方法是以灰度級(jí)的空間相關(guān)矩陣即共生矩陣為基礎(chǔ)的［7］，因?yàn)閳D像中相距(Δx，Δy)的兩個(gè)灰度像素同時(shí)出現(xiàn)的聯(lián)合頻率分布可以用灰度共生矩陣來表示。若將圖像的灰度級(jí)定為N級(jí)，那么共生矩陣為N×N矩陣，可表示為 M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一個(gè)灰度為h而另一個(gè)灰度為k的兩個(gè)相距為(Δx，Δy)的像素對(duì)出現(xiàn)的次數(shù)。對(duì)粗紋理的區(qū)域，其灰度共生矩陣的mhk值較集中于主對(duì)角線附近。因?yàn)閷?duì)于粗紋理，像素對(duì)趨于具有相同的灰度。而對(duì)于細(xì)紋理的區(qū)域，其灰度共生矩陣中的mhk值則散布在各處。為了能更直觀地以共生矩陣描述紋理狀況，從共生矩陣導(dǎo)出一些反映矩陣狀況的參數(shù)，典型的有以下幾種：（1）能量：是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值??；相反，如果其中一些值大而其它值小，則ASM值大。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式。（2）對(duì)比度：，其中。反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對(duì)比度越大，視覺效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊?；叶炔罴磳?duì)比度大的象素對(duì)越多，這個(gè)值越大。灰度公生矩陣中遠(yuǎn)離對(duì)角線的元素值越大，CON越大。（3）相關(guān)：它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大;相反，如果矩陣像元值相差很大則相關(guān)值小。如果圖像中有水平方向紋理，則水平方向矩陣的COR大于其余矩陣的COR值。（4）熵：是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。（5）逆差距：反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。其它參數(shù):中值協(xié)方差同質(zhì)性/逆差距反差差異性熵二階距自相關(guān) 當(dāng)圖像的局部有較小的方差時(shí)，則灰度值占有支配地位，當(dāng)圖像的局部有較大的方差時(shí)，則紋理占有支配地位。紋理是和局部灰度及其空間組織相聯(lián)系的，紋理在識(shí)別感興趣的目標(biāo)和地區(qū)中有著非常重要的作用。灰度共生矩陣表示了灰度的空間依賴性，它表示了在一種紋理模式下的像素灰度的空間關(guān)系。它的弱點(diǎn)是沒有完全抓住局部灰度的圖形特點(diǎn)，因此對(duì)于較大的局部，此方法的效果不太理想?；叶裙采仃嚍榉疥?，維數(shù)等于圖像的灰度級(jí)?；叶裙采仃囍械脑?（i，j）的值表示了在圖像中其中一個(gè)像素的灰度值為i，另一個(gè)像素的灰度值為j，并且相鄰距離為d，方向?yàn)锳的這樣兩個(gè)像素出現(xiàn)的次數(shù)。在實(shí)際應(yīng)用中A 一般選擇為0°、45°、90°、135°。一般來說灰度圖像的灰度級(jí)為256，在計(jì)算由灰度共生矩陣推導(dǎo)出的紋理特征時(shí)，要求圖像的灰度級(jí)遠(yuǎn)小于 256，主要是因?yàn)榫仃嚲S數(shù)較大而窗口的尺寸較小則灰度共生矩陣不能很好表示紋理，如要能夠很好表示紋理則要求窗口尺寸較大，這樣使計(jì)算量大大增加，而且當(dāng)窗口尺寸較大時(shí)對(duì)于每類的邊界區(qū)域誤識(shí)率較大。所以在計(jì)算灰度共生矩陣之前需要對(duì)圖像進(jìn)行直方圖規(guī)定化，以減小圖像的灰度級(jí)，一般規(guī)定化后的圖像的灰度級(jí)為8或16。由灰度共生矩陣能夠?qū)С鲈S多紋理特征，本文計(jì)算了14種灰度共生矩陣特征，分別為紋理二階距、紋理熵、紋理對(duì)比度、紋理均勻性、紋理相關(guān)、逆差分矩、最大概率、紋理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。由灰度共生矩陣能夠?qū)С鲈S多紋理特征，計(jì)算了14種灰度共生矩陣特征，分別為紋理二階距、紋理熵、紋理對(duì)比度、紋理均勻性、紋理相關(guān)、逆差分矩、最大概率、紋理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。目前，人們對(duì)遙感影像上的紋理特征的含義理解不盡相同，紋理有時(shí)被稱為結(jié)構(gòu)、影紋和紋形等。 Pickett認(rèn)為紋理為保持一定的特征重復(fù)性并且間隔規(guī)律可以任意安排的空間結(jié)構(gòu)。HawKins認(rèn)為紋理具有三大標(biāo)志:某種局部序列性不斷重復(fù)、非隨機(jī)排列和紋理區(qū)域內(nèi)大致為均勻的統(tǒng)一體。LiWang和D. C. He認(rèn)為，紋理是紋理基元組成的，紋理基元被認(rèn)為是表現(xiàn)紋理特征的最小單元，是一個(gè)像元在其周圍8個(gè)方向上的特征反應(yīng)。紋理特征有時(shí)是明顯的，以某種基本圖形在某一地區(qū)有規(guī)律的周期性出現(xiàn)，例如:大面積森林覆蓋地區(qū)的影像構(gòu)成的紋理為斑點(diǎn)狀，沙漠地區(qū)的影像構(gòu)成的紋理為鏈狀、新月狀等;而有時(shí)紋理特征是不明顯的、隱晦的，具有不穩(wěn)定性。一般來說，前者紋理比較均一，后者紋理比較復(fù)雜。紋理作為一種區(qū)域特征，是對(duì)于圖像各像元之間空間分布的一種描述。由于紋理能充分利用圖像信息，無論從理論上或常識(shí)出發(fā)它都可以成為描述與識(shí)別圖像的重要依據(jù)，與其他圖像特征相比，它能更好地兼顧圖像宏觀性質(zhì)與細(xì)微結(jié)構(gòu)兩個(gè)方面，因此紋理成為目標(biāo)識(shí)別需要提取的重要特征。提取紋理特征的方法很多，如基于局部統(tǒng)計(jì)特性的特征、基于隨機(jī)場(chǎng)模型的特征、基于空間頻率的特征、分形特征等，其中，應(yīng)用最廣泛的是基于灰值共生矩陣的特征。