深度学习知识点【59】灰度共生矩阵（GLCM

### GLCM 灰度共生矩阵代码实现 #### Python 实现灰度共生矩阵 (GLCM) 为了创建灰度共生矩阵(GLCM)，通常会使用Python中的`skimage.feature.greycomatrix()`函数。此方法允许指定方向、距离以及其他参数来构建GLCM。 ```python from skimage import data, io from skimage.feature import greycomatrix, greycoprops import numpy as np import matplotlib.pyplot as plt # 加载测试图片并转换成灰度图 img = color.rgb2gray(data.camera()) # 定义距离向量d和角度θ distances = [1, 2, 3] angles = [0, np.pi/4, np.pi/2, 3*np.pi/4] # 计算GLCM，默认情况下，图像被量化到8个等级(即每个像素值会被映射到{0,...,7}) glcm = greycomatrix(img, distances=distances, angles=angles, levels=8, symmetric=True, normed=True)[^1] # 提取一些统计特征如对比度、同质性等 contrast = greycoprops(glcm, 'contrast') homogeneity = greycoprops(glcm, 'homogeneity') print(f'Contrast:\n {contrast}') print(f'Homogeneity:\n {homogeneity}') # 显示原始图像及其对应的GLCM可视化结果 plt.figure(figsize=(10, 5)) plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original Image') plt.axis('off') plt.subplot(122), plt.imshow(glcm[:, :, 1, 1], cmap='hot'), plt.title('GLCM at d=2, θ=π/4') plt.colorbar() plt.show() ``` 上述代码展示了如何利用Scikit-image库计算给定输入图像的灰度共生矩阵，并提取了一些常见的纹理特性，例如对比度和同质性。通过调整`greycomatrix()`函数内的参数设置，可以探索更多有关于不同间距和平移角下的GLCM属性[^3]。