一、研究背景

在上一篇slic超像素分割的文章中，提到了需要对分割后的超像素进行特征提取，依旧为简化复现论文，论文在文末附上，在这里我整理以下特征提取过程中的代码以及心得，方便后期回溯复盘。本文的特征提取均在slic算法基础上进行研究。

二、特征提取

在针对一个乳腺超声图片分割出来的超像素进行分类的过程中，我们需要提取到一些分类的依据，比如颜色特征，纹理特征等等。并且需要将每一个超像素打上是否为恶性肿瘤的标签，以便将当前超像素所拥有的特征进行划分。

1、颜色特征

在slic算法中，每一个像素都有自己的l，a，b值，一个超像素如果只提取l，a，b值将会得到很大的一组值，我们为了方便起见只提取一个超像素中所有像素l，a，b的平均值与方差。代码如下

    def average(self):#数据平均值for cluster in self.clusters: #每一个超像素l = a = b = number =0for p in cluster.pixels:  #超像素中的每一个像素l += self.data[p[0]][p[1]][0]a += self.data[p[0]][p[1]][1]b += self.data[p[0]][p[1]][2]number += 1            #像素总个数strin=str([l/number,a/number,b/number]) #均值with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_average.txt', 'a') as f: #保存数据f.write('\n' + strin)def fangcha(self):#数据方差for cluster in self.clusters:l = a = b = []for p in cluster.pixels:l.append(self.data[p[0]][p[1]][0])a.append(self.data[p[0]][p[1]][1])b.append(self.data[p[0]][p[1]][2])stri=str([np.var(l),np.var(a),np.var(b)]) #方差with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_variance.txt', 'a') as f:f.write('\n' + stri)

2、纹理特征

纹理特征的提取主要使用了灰度共生矩阵

一些大佬在这方面写的十分到位，推荐博文：

理论部分：灰度共生矩阵的原理及实现(特征提取)-OpenCV_青雲-吾道乐途的博客-CSDN博客_灰度共生矩阵纹理特征提取代码部分：灰度共生矩阵（附python代码）_hello~bye~的博客-CSDN博客_灰度共生矩阵python

我参考了部分python代码，结合slic代码写了一下关于逐像素进行灰度共生矩阵的生成

注：灰度共生矩阵的生成与输入图片是否规则没有关系！

    def getGlcm(self,d_y,d_x):#灰度共生矩阵#将一整张图片转化为灰度图glcm_img = cv2.imread(f"C:/Users/Administrator/Desktop/SRP/Dataset_BUSI_with_GT/benign/benign ({self.n}).png", 0)for cluster in self.clusters:  #每个超像素块max_gray_level = number=0ret = [[0.0 for i in range(gray_level)] for j in range(gray_level)]for p in cluster.pixels:number += 1if glcm_img[p[0]][p[1]] > max_gray_level:max_gray_level = glcm_img[p[0]][p[1]]max_gray_level = max_gray_level + 1         #得到此超像素块中最大灰度级for pix in cluster.pixels:if max_gray_level > gray_level:         #若是最大灰度级大于设定灰度级，则将其调整为设定灰度级大小glcm_img[pix[0]][pix[1]] = glcm_img[pix[0]][pix[1]] * gray_level / max_gray_levelfor pixe in cluster.pixels:            #再次逐像素遍历h_1 = pixe[0] + d_y                #设定边界w_1 = pixe[1] + d_xif h_1 > glcm_img.shape[0] - 1:h_1 = glcm_img.shape[0] - 1if w_1 > glcm_img.shape[1] - 1:w_1 = glcm_img.shape[1] - 1rows = glcm_img[pixe[0]][pixe[1]]cols = glcm_img[h_1][w_1]if rows >= 16:rows = 15if cols >= 16:cols = 15ret[rows][cols] += 1.0for i in range(gray_level):for j in range(gray_level):ret[i][j] /= float(number)     #得到灰度生成矩阵asm, con, eng, idm = feature_computer(ret)     string=str([asm, con, eng, idm])with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_d_y={d_y}_d_x={d_x}.txt', 'a') as f:f.write('\n'+ string)

三、完整代码

此代码我结合了灰度共生矩阵（附python代码）_hello~bye~的博客-CSDN博客_灰度共生矩阵python以及SLIC算法分割超像素原理及Python实现 | 卡瓦邦噶！ (kawabangga.com)并进行了一些调整和合并，以便于更适合我的项目要求。

import math
import cv2
from skimage import io, color
import numpy as np
from tqdm import trangegray_level=16def feature_computer(p):#GLCM的特征提取# con:对比度反应了图像的清晰度和纹理的沟纹深浅。纹理越清晰反差越大对比度也就越大。# eng:熵（Entropy, ENT）度量了图像包含信息量的随机性，表现了图像的复杂程度。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大。# agm:角二阶矩（能量），图像灰度分布均匀程度和纹理粗细的度量。当图像纹理均一规则时，能量值较大；反之灰度共生矩阵的元素值相近，能量值较小。# idm:反差分矩阵又称逆方差，反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大。Con = 0.0Eng = 0.0Asm = 0.0Idm = 0.0for i in range(gray_level):for j in range(gray_level):Con += (i - j) * (i - j) * p[i][j]Asm += p[i][j] * p[i][j]Idm += p[i][j] / (1 + (i - j) * (i - j))if p[i][j] > 0.0:Eng += p[i][j] * math.log(p[i][j])return Asm, Con, -Eng, Idmclass Cluster(object):cluster_index = 1def __init__(self, h, w, l=0, a=0, b=0): #初始化self.update(h, w, l, a, b)self.pixels = []self.no = self.cluster_indexCluster.cluster_index += 1def update(self, h, w, l, a, b):self.h = hself.w = wself.l = lself.a = aself.b = bdef __str__(self):return "{},{}:{} {} {} ".format(self.h, self.w, self.l, self.a, self.b)def __repr__(self):return self.__str__()class SLICProcessor(object):@staticmethoddef open_image(path):#将rgb图片转为lab图片rgb = io.imread(path)lab_arr = color.rgb2lab(rgb)return lab_arr@staticmethoddef save_lab_image(path, lab_arr):rgb_arr = color.lab2rgb(lab_arr)io.imsave(path, rgb_arr)def make_cluster(self, h, w):h = int(h)w = int(w)return Cluster(h, w,self.data[h][w][0],self.data[h][w][1],self.data[h][w][2])def __init__(self, filename, K, M,n):self.K = Kself.M = Mself.n = n   #第几张图片self.data = self.open_image(filename)self.image_height = self.data.shape[0]self.image_width = self.data.shape[1]self.N = self.image_height * self.image_widthself.S = int(math.sqrt(self.N / self.K))self.clusters = []self.label = {}self.dis = np.full((self.image_height, self.image_width), np.inf)def init_clusters(self):h = self.S / 2w = self.S / 2while h < self.image_height:while w < self.image_width:self.clusters.append(self.make_cluster(h, w))w += self.Sw = self.S / 2h += self.Sdef get_gradient(self, h, w):if w + 1 >= self.image_width:w = self.image_width - 2if h + 1 >= self.image_height:h = self.image_height - 2gradient = self.data[h + 1][w + 1][0] - self.data[h][w][0] + \self.data[h + 1][w + 1][1] - self.data[h][w][1] + \self.data[h + 1][w + 1][2] - self.data[h][w][2]return gradientdef move_clusters(self):#确定聚类中心点for cluster in self.clusters:cluster_gradient = self.get_gradient(cluster.h, cluster.w)for dh in range(-1, 2):for dw in range(-1, 2):_h = cluster.h + dh_w = cluster.w + dwnew_gradient = self.get_gradient(_h, _w)if new_gradient < cluster_gradient:cluster.update(_h, _w, self.data[_h][_w][0], self.data[_h][_w][1], self.data[_h][_w][2])cluster_gradient = new_gradientdef assignment(self):for cluster in self.clusters:for h in range(cluster.h - 2 * self.S, cluster.h + 2 * self.S):if h < 0 or h >= self.image_height: continuefor w in range(cluster.w - 2 * self.S, cluster.w + 2 * self.S):if w < 0 or w >= self.image_width: continueL, A, B = self.data[h][w]Dc = math.sqrt(math.pow(L - cluster.l, 2) +math.pow(A - cluster.a, 2) +math.pow(B - cluster.b, 2))Ds = math.sqrt(math.pow(h - cluster.h, 2) +math.pow(w - cluster.w, 2))D = math.sqrt(math.pow(Dc / self.M, 2) + math.pow(Ds / self.S, 2))if D < self.dis[h][w]:if (h, w) not in self.label:self.label[(h, w)] = clustercluster.pixels.append((h, w))else:self.label[(h, w)].pixels.remove((h, w))self.label[(h, w)] = clustercluster.pixels.append((h, w))self.dis[h][w] = Ddef update_cluster(self):for cluster in self.clusters:sum_h = sum_w = number =0for p in cluster.pixels:sum_h += p[0]sum_w += p[1]number += 1_h = int(sum_h / number)_w = int(sum_w / number)cluster.update(_h, _w, self.data[_h][_w][0], self.data[_h][_w][1], self.data[_h][_w][2])def getGlcm(self,d_y,d_x):#灰度共生矩阵#将一整张图片转化为灰度图glcm_img = cv2.imread(f"C:/Users/Administrator/Desktop/SRP/Dataset_BUSI_with_GT/benign/benign ({self.n}).png", 0)for cluster in self.clusters:  #每个超像素块max_gray_level = number=0ret = [[0.0 for i in range(gray_level)] for j in range(gray_level)]for p in cluster.pixels:number += 1if glcm_img[p[0]][p[1]] > max_gray_level:max_gray_level = glcm_img[p[0]][p[1]]max_gray_level = max_gray_level + 1         #得到此超像素块中最大灰度级for pix in cluster.pixels:if max_gray_level > gray_level:         #若是最大灰度级大于设定灰度级，则将其调整为设定灰度级大小glcm_img[pix[0]][pix[1]] = glcm_img[pix[0]][pix[1]] * gray_level / max_gray_levelfor pixe in cluster.pixels:            #再次逐像素遍历h_1 = pixe[0] + d_y                #设定边界w_1 = pixe[1] + d_xif h_1 > glcm_img.shape[0] - 1:h_1 = glcm_img.shape[0] - 1if w_1 > glcm_img.shape[1] - 1:w_1 = glcm_img.shape[1] - 1rows = glcm_img[pixe[0]][pixe[1]]cols = glcm_img[h_1][w_1]if rows >= 16:rows = 15if cols >= 16:cols = 15ret[rows][cols] += 1.0for i in range(gray_level):for j in range(gray_level):ret[i][j] /= float(number)     #得到灰度生成矩阵asm, con, eng, idm = feature_computer(ret)string=str([asm, con, eng, idm])with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_d_y={d_y}_d_x={d_x}.txt', 'a') as f:f.write('\n'+ string)def average(self):#数据平均值for cluster in self.clusters: #每一个超像素l = a = b = number =0for p in cluster.pixels:  #超像素中的每一个像素l += self.data[p[0]][p[1]][0]a += self.data[p[0]][p[1]][1]b += self.data[p[0]][p[1]][2]number += 1            #像素总个数strin=str([l/number,a/number,b/number]) #均值with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_average.txt', 'a') as f: #保存数据f.write('\n' + strin)def fangcha(self):#数据方差for cluster in self.clusters:l = a = b = []for p in cluster.pixels:l.append(self.data[p[0]][p[1]][0])a.append(self.data[p[0]][p[1]][1])b.append(self.data[p[0]][p[1]][2])stri=str([np.var(l),np.var(a),np.var(b)]) #方差with open(f'C:/Users/Administrator/Desktop/data/{self.n}/benign{self.n}_variance.txt', 'a') as f:f.write('\n' + stri)def save_current_image(self, name):image_arr = np.copy(self.data)for cluster in self.clusters:for p in cluster.pixels:image_arr[p[0]][p[1]][0] = cluster.limage_arr[p[0]][p[1]][1] = cluster.aimage_arr[p[0]][p[1]][2] = cluster.bimage_arr[cluster.h][cluster.w][0] = 0image_arr[cluster.h][cluster.w][1] = 0image_arr[cluster.h][cluster.w][2] = 0self.save_lab_image(name, image_arr)def iterate_10times(self):self.init_clusters()self.move_clusters()for i in trange(10):self.assignment()self.update_cluster()if i == 9:self.getGlcm(0,1)#参数为d_y,d_xself.getGlcm(-1,0)self.getGlcm(1,0)self.getGlcm(1,1)self.getGlcm(1,-1)self.getGlcm(-1,1)self.getGlcm(-1,-1)self.average()#平均值self.fangcha()#方差name = 'benign{n}_lenna_M{m}_K{k}_loop{loop}.png'.format(n=self.n,loop=i, m=self.M, k=self.K)self.save_current_image(name)if __name__ == '__main__':for i in range(110,135):p = SLICProcessor(f'C:/Users/Administrator/Desktop/SRP/Dataset_BUSI_with_GT/benign/benign ({i}).png', 200, 30,i)p.iterate_10times()

欢迎大家指正讨论，本人不胜感激！！！！！

参考论文：[1]叶碧. 乳腺超声图像处理技术的研究与应用[D].山东大学,2016.

乳腺超声图像处理技术的研究与应用 - 中国知网 (cnki.net)

超像素（slic算法）特征提取（颜色，纹理）——个人梳理相关推荐

超像素SLIC算法源码阅读
超像素SLIC算法源码阅读超像素SLIC算法源码阅读 SLIC简介源码阅读实验结果其他超像素算法对比超像素SLIC算法源码阅读 SLIC简介 SLIC的全称Simple Linear Ite ...
超像素分割算法————综述
参考:超像素-学习笔记什么是超像素?评价标准?SLIC.SEED.ETPS算法比较的指标:图像边界的粘附性.算法速度.存储效率.分割性能超像素算法:将像素组合成感知有意义的原子区域( atomi ...
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
OpenCV 例程200篇总目录-202205更新 [youcans 的 OpenCV 例程200篇]172.SLIC 超像素区域分割算法比较 5. 区域分割之聚类方法 5.3 SLIC 超像素区域 ...
超像素经典算法SLIC的代码的深度优化和分析。
现在这个社会发展的太快,到处都充斥着各种各样的资源,各种开源的平台,如github,codeproject,pudn等等,加上一些大型的官方的开源软件,基本上能找到各个类型的代码.很多初创业的老板可能 ...
超像素经典算法SLIC的代码的深度优化
现在这个社会发展的太快,到处都充斥着各种各样的资源,各种开源的平台,如github,codeproject,pudn等等,加上一些大型的官方的开源软件,基本上能找到各个类型的代码.很多初创业的老板可能 ...
SLIC超像素生成算法
SLIC算法是simple linear iterative cluster的简称,该算法用来生成超像素(superpixel). 基本思想算法大致思想是这样的,将图像从RGB颜色空间转换到CIE- ...
SLIC图像超像素分割算法解析
转载自http://blog.chinaunix.net/uid-29431466-id-4831314.html 1 概述 SLIC 即simple linear iterative cluster ...
超像素分割算法matlab_像素不够，算法来凑。这个图像超分辨率项目帮你「拍」出高清照片...
图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像.图像超分辨率技术分为超分辨率复原和超分辨率重建.一位 Reddit 网友贴出了自己基于 Keras 的图像超分辨率项目,可以让照片放大 ...
SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods
SLIC与目前最优超像素算法的比较 Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sa ...
SLIC与目前最优超像素算法的比较
SLIC与目前最优超像素算法的比较 Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sa ...

超像素（slic算法）特征提取（颜色，纹理）——个人梳理