tamura特征提取，MATLAB实现_tamura纹理特征资源-CSDN下载

共9个文件

m：7个

png：1个

html：1个

版权申诉

matlab

开发语言

5星 · 超过95%的资源 133 浏览量 2022-03-09 15:15:32 上传评论 2 收藏 718KB ZIP 举报

**Tamura特征提取**是一种图像纹理分析方法，由Tamura于1978年提出。这种方法主要用于描述图像的纹理特性，如粗糙度、对比度、方向性和复杂性等，为图像处理和计算机视觉领域的特征描述提供了有效工具。在MATLAB中实现Tamura特征提取可以帮助我们分析和比较图像的不同纹理区域，广泛应用于图像分类、目标识别和医学影像分析等领域。 Tamura特征包括以下七个主要方面： 1. **粗糙度（Coarseness）**：衡量图像中纹理元素的大小和分布。粗糙度越大，表示纹理元素越大且稀疏；反之，粗糙度小则表示纹理元素小且密集。 2. **对比度（Contrast）**：衡量图像中纹理元素亮度变化的强度。对比度高表示纹理元素之间的亮度差异大，低则表示差异小。 3. **方向性（Directionality）**：描述纹理元素的主要方向。这有助于识别图像中的纹理方向和对齐度。 4. **规律性（Regularity）**：衡量纹理元素的排列规则程度。规律性强的纹理元素排列整齐，而无序的纹理则具有较低的规律性。 5. **频率（Frequency）**：表示纹理元素的密度，即单位面积内的纹理元素数量。频率高表示纹理元素密集，低则稀疏。 6. **同质性（Homogeneity）**：描述局部区域内纹理元素的一致性。同质性高的纹理在亮度上变化平滑，而低的纹理变化剧烈。 7. **复杂性（Complexity）**：综合了前面六个特征，反映纹理的整体复杂程度。复杂性高的纹理具有多种不同的特征，而低的纹理特征单一。在MATLAB中实现Tamura特征提取通常涉及以下几个步骤： 1. **预处理**：对图像进行必要的预处理，如灰度化、归一化或滤波，以减少噪声并标准化数据。 2. **计算梯度**：通过计算图像的梯度来获取纹理的局部变化信息，这将用于后续特征计算。 3. **构造纹理描述符**：根据Tamura特征定义，计算每个像素邻域的相应特征值。 4. **统计分析**：对图像的每个局部区域计算Tamura特征的统计量，如均值、方差等，以获得更稳定的纹理描述。 5. **特征向量生成**：将所有计算出的Tamura特征组合成一个特征向量，用于后续的图像分类或识别任务。在提供的压缩包文件“2022.3.9-tamura”中，包含了实现Tamura特征提取的MATLAB代码。运行“test_tamura.m”文件，可以观察到MATLAB如何应用这些理论步骤来处理图像，并可视化结果。通过这个代码，你可以理解每个特征的计算过程，并将其应用到自己的图像处理项目中。 Tamura特征提取是MATLAB中一种强大的纹理分析工具，它能够提供丰富的纹理描述，帮助我们更好地理解和处理图像的纹理特性。在实际应用中，结合其他图像特征和机器学习算法，可以进一步提高图像分析的准确性和效率。

资源推荐

资源详情

资源评论

收起资源包目录

2022.3.9-tamura.zip （9个子文件）

2022.3.9-tamura

linelikeness.m 3KB

coarseness.m 1KB

Tamura.m 400B

tamura特征.html 106KB

test_tamura.m 101B

lena.png 698KB

directionality.m 1KB

regularity.m 830B

contrast.m 458B

%% 第四个指标 Linelikeness，线性度 %image=rgb2gray(imread('example.jpg')); %Flin=linelikeness(image,sita,4) %sita为directionality.m返回的结果 function Flin=linelikeness(graypic,sita,d) %d为共生矩阵计算时的像素间隔距离 n=16; [h,w]=size(graypic); %构造方向共生矩阵 PDd1=zeros(n,n); PDd2=zeros(n,n); PDd3=zeros(n,n); PDd4=zeros(n,n); PDd5=zeros(n,n); PDd6=zeros(n,n); PDd7=zeros(n,n); PDd8=zeros(n,n); for i=d+1:h-d-2 for j=d+1:w-d-2 for m1=1:n for m2=1:n %下方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j)>=(2*(m2-1)*pi/2/n) && sita(i+d,j)<((2*(m2-1)+1)*pi/2/n)) PDd1(m1,m2)=PDd1(m1,m2)+1; end %上方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j)>=(2*(m2-1)*pi/2/n) && sita(i-d,j)<((2*(m2-1)+1)*pi/2/n)) PDd2(m1,m2)=PDd2(m1,m2)+1; end %右方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i,j+d)>=(2*(m2-1)*pi/2/n) && sita(i,j+d)<((2*(m2-1)+1)*pi/2/n)) PDd3(m1,m2)=PDd3(m1,m2)+1; end %左方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i,j-d)>=(2*(m2-1)*pi/2/n) && sita(i,j-d)<((2*(m2-1)+1)*pi/2/n)) PDd4(m1,m2)=PDd4(m1,m2)+1; end %右下方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j+d)>=(2*(m2-1)*pi/2/n) && sita(i+d,j+d)<((2*(m2-1)+1)*pi/2/n)) PDd5(m1,m2)=PDd5(m1,m2)+1; end %右上方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j+d)>=(2*(m2-1)*pi/2/n) && sita(i-d,j+d)<((2*(m2-1)+1)*pi/2/n)) PDd6(m1,m2)=PDd6(m1,m2)+1; end %左下方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i+d,j-d)>=(2*(m2-1)*pi/2/n) && sita(i+d,j-d)<((2*(m2-1)+1)*pi/2/n)) PDd7(m1,m2)=PDd7(m1,m2)+1; end %左上方向 if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)<((2*(m1-1)+1)*pi/2/n)) && (sita(i-d,j-d)>=(2*(m2-1)*pi/2/n) && sita(i-d,j-d)<((2*(m2-1)+1)*pi/2/n)) PDd8(m1,m2)=PDd8(m1,m2)+1; end end end end end f=zeros(1,8); g=zeros(1,8); for i=1:n for j=1:n f(1)=f(1)+PDd1(i,j)*cos((i-j)*2*pi/n); g(1)=g(1)+PDd1(i,j); f(2)=f(2)+PDd2(i,j)*cos((i-j)*2*pi/n); g(2)=g(2)+PDd2(i,j); f(3)=f(3)+PDd3(i,j)*cos((i-j)*2*pi/n); g(3)=g(3)+PDd3(i,j); f(4)=f(4)+PDd4(i,j)*cos((i-j)*2*pi/n); g(4)=g(4)+PDd4(i,j); f(5)=f(5)+PDd5(i,j)*cos((i-j)*2*pi/n); g(5)=g(5)+PDd5(i,j); f(6)=f(6)+PDd6(i,j)*cos((i-j)*2*pi/n); g(6)=g(6)+PDd6(i,j); f(7)=f(7)+PDd7(i,j)*cos((i-j)*2*pi/n); g(7)=g(7)+PDd7(i,j); f(8)=f(8)+PDd8(i,j)*cos((i-j)*2*pi/n); g(8)=g(4)+PDd8(i,j); end end tempM=f./g; Flin=max(tempM);%取8个方向的线性度最大值作为图片的线性度 end

评论收藏

内容反馈

版权申诉