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55、77。
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。