岳阳市 网站建设wordpress php代码

岳阳市 网站建设,wordpress php代码,网站电脑培训班办公软件,下载百度官方版1. 灰度共生矩阵 灰度共生矩阵是迄今为止最经典、最常用的纹理分析方法。它通过计算图像中特定方向和距离的像素对出现的频率来描述纹理。 原理简介 GLCM是一个方阵#xff0c;其大小由图像的最大灰度级决定。矩阵中的元素 P(i, j | d, θ) 表示在给定空间距离 d 和方向 θ 时…1. 灰度共生矩阵灰度共生矩阵是迄今为止最经典、最常用的纹理分析方法。它通过计算图像中特定方向和距离的像素对出现的频率来描述纹理。原理简介GLCM是一个方阵其大小由图像的最大灰度级决定。矩阵中的元素P(i, j | d, θ)表示在给定空间距离d和方向θ时灰度级i和灰度级j成对出现的概率。常用方向 θ:0° (水平)45° (对角)90° (垂直)135° (反对角)从GLCM中提取的常用统计特征:对比度: 衡量局部灰度的变化程度反映图像的清晰度和纹理沟壑的深浅。Contrast Σ|i-j|² * P(i,j)相关性: 衡量图像中局部灰度的线性相关性。Correlation Σ [ (i-μi)(j-μj) * P(i,j) ] / (σi * σj)能量: 也称为角二阶矩是灰度共生矩阵元素值的平方和。反映图像灰度分布的均匀性和纹理的粗细程度。Energy Σ P(i,j)²同质性: 衡量GLCM中元素分布与对角线的接近程度。值越大表示纹理越局部均匀。Homogeneity Σ P(i,j) / (1 |i-j|)熵: 衡量图像中包含的随机性信息量。纹理越复杂熵值越大。Entropy -Σ P(i,j) * log(P(i,j))MATLAB 代码实现MATLAB提供了graycomatrix和graycoprops函数来简化这一过程。% 示例使用MATLAB内置函数提取GLCM特征clear;close all;clc;% 1. 读取图像并转换为灰度图imgimread(texture.jpg);ifsize(img,3)3img_grayrgb2gray(img);elseimg_grayimg;end% 2. 计算灰度共生矩阵% NumLevels: 将灰度级量化为8级默认可以更少以降低计算量% GrayLimits: 灰度范围默认为[min(I(:)) max(I(:))]这里用[]自动计算% Offset: 指定方向和距离。这里计算4个方向0°, 45°, 90°, 135°距离为1offsets[01;-11;-10;-1-1];% 对应 0°, 45°, 90°, 135°[glcm,SI]graycomatrix(img_gray,...NumLevels,8,...GrayLimits,[],...Offset,offsets);% 3. 从GLCM中提取统计特征% 支持的属性: Contrast, Correlation, Energy, Homogeneitypropsgraycoprops(glcm,{Contrast,Correlation,Energy,Homogeneity});% 4. 显示结果disp(GLCM Features for 4 directions (0°, 45°, 90°, 135°):);disp(Contrast:);disp(props.Contrast);disp(Correlation:);disp(props.Correlation);disp(Energy (ASM):);disp(props.Energy);disp(Homogeneity:);disp(props.Homogeneity);% 5. 可视化 (可选)figure;subplot(2,3,1),imshow(img),title(Original Image);subplot(2,3,2),imshow(rescale(SI)),title(Scaled Image (for GLCM));% 显示一个方向的GLCM (例如水平方向第一个offset)glcm_0degglcm(:,:,1);% 取第一个方向的矩阵subplot(2,3,3),imshow(glcm_0deg,[]),title(GLCM (0°));subplot(2,3,4),bar(props.Contrast),title(Contrast),xlabel(Direction Index);subplot(2,3,5),bar(props.Energy),title(Energy),xlabel(Direction Index);subplot(2,3,6),bar(props.Homogeneity),title(Homogeneity),xlabel(Direction Index);% 6. 计算平均值作为最终纹理描述符 (常用方法)mean_contrastmean(props.Contrast);mean_correlationmean(props.Correlation);mean_energymean(props.Energy);mean_homogeneitymean(props.Homogeneity);fprintf(\n--- Average Feature Vector ---\n);fprintf(Average Contrast: %.4f\n,mean_contrast);fprintf(Average Correlation: %.4f\n,mean_correlation);fprintf(Average Energy: %.4f\n,mean_energy);fprintf(Average Homogeneity: %.4f\n,mean_homogeneity);2. 灰度差分统计GLDS是一种更简单、计算成本更低的纹理分析方法。它不关注像素对而是关注单个像素与其邻域像素之间的灰度差。原理简介对于图像中的每个像素计算其与邻域内像素的灰度差。然后统计这些差值的分布并从这个分布中提取特征。常用特征:对比度:Σ |Δ| * p(Δ)(类似于GLCM但基于差分)角度二阶矩:Σ p(Δ)²(类似于GLCM的能量)熵:-Σ p(Δ) * log(p(Δ))(类似于GLCM的熵)均值:Σ Δ * p(Δ)逆差分矩:Σ p(Δ) / (1 Δ²)(类似于GLCM的同质性)MATLAB 代码实现MATLAB没有内置GLDS函数需要手动实现。% 示例手动实现GLDS特征提取functionfeaturesextract_glds_features(img_gray,delta_x,delta_y)% 此函数计算给定偏移量(delta_x, delta_y)的GLDS特征% img_gray: 输入灰度图像% delta_x, delta_y: 定义邻域关系的偏移量[rows,cols]size(img_gray);% 1. 计算灰度差分图像% 创建与原始图像同大小的矩阵来存储差分diff_imgzeros(rows,cols);% 计算有效的像素位置避免边界问题start_rowmax(1,1-delta_y);end_rowmin(rows,rows-delta_y);start_colmax(1,1-delta_x);end_colmin(cols,cols-delta_x);foristart_row:end_rowforjstart_col:end_col% 计算当前像素与邻域像素的绝对灰度差current_pixelimg_gray(i,j);neighbor_pixelimg_gray(idelta_y,jdelta_x);diff_img(i,j)abs(double(current_pixel)-double(neighbor_pixel));endend% 2. 构建灰度差分直方图 (概率分布)% 将差分值量化为整数最大差值为255diff_vectordiff_img(diff_img0);% 只取非零差分边界处为零ifisempty(diff_vector)featureszeros(1,5);return;endnum_bins256;% 差分范围是0-255phistcounts(diff_vector,0:num_bins,Normalization,probability);% 3. 从差分直方图中提取统计特征delta0:(num_bins-1);% 可能的差分值% 对比度contrastsum(delta.*p);% 角度二阶矩 (能量)asmsum(p.^2);% 熵 (避免log(0)给p一个很小的偏移量)epsilon1e-10;p_safepepsilon;entropy-sum(p.*log2(p_safe));% 均值mean_valuesum(delta.*p);% 逆差分矩idmsum(p./(1delta.^2));% 4. 返回特征向量features[contrast,asm,entropy,mean_value,idm];end% 使用上述函数clear;close all;clc;% 读取图像imgimread(texture.jpg);ifsize(img,3)3img_grayrgb2gray(img);elseimg_grayimg;end% 定义4个方向类似于GLCMdirections[1,0;% 0° (水平)1,1;% 45° (对角)0,1;% 90° (垂直)-1,1];% 135° (反对角)% 为每个方向提取GLDS特征glds_features[];fork1:size(directions,1)delta_xdirections(k,1);delta_ydirections(k,2);features_single_dirextract_glds_features(img_gray,delta_x,delta_y);glds_features[glds_features;features_single_dir];end% 显示结果feature_names{Contrast,Energy (ASM),Entropy,Mean,Inverse Diff Moment};direction_names{0°,45°,90°,135°};disp(GLDS Features for 4 directions:);fprintf(Direction\t);forf1:length(feature_names)fprintf(%s\t,feature_names{f});endfprintf(\n);ford1:size(glds_features,1)fprintf(%s\t\t,direction_names{d});forf1:size(glds_features,2)fprintf(%.4f\t,glds_features(d,f));endfprintf(\n);end% 计算平均特征向量mean_glds_featuresmean(glds_features,1);fprintf(\n--- Average GLDS Feature Vector ---\n);forf1:length(feature_names)fprintf(%s: %.4f\n,feature_names{f},mean_glds_features(f));end总结与比较特征灰度共生矩阵灰度差分统计原理基于像素对的二阶统计基于像素差的一阶统计计算复杂度较高较低MATLAB支持内置函数 (graycomatrix,graycoprops)需手动实现描述能力强能捕捉更复杂的纹理结构较弱但对简单纹理有效鲁棒性较好对噪声相对敏感适用场景复杂的自然纹理、医学图像分析实时应用、计算资源有限的场景参考代码 matlab常用纹理特征提取方法GLCMGLDSwww.3dddown.com/csa/65376.html实用建议:对于大多数应用GLCM是首选因为它更成熟特征描述能力更强。在实际项目中通常会将多个方向的特征取平均值或最大值以得到旋转不变的纹理描述符。可以结合多种方法如GLCM GLDS来构建更强大的特征向量用于机器学习分类。在计算前通常会对图像灰度级进行降级如从256级降到8级以降低计算复杂度和噪声影响。