灰度共生矩阵纹理特征提取

灰度共生矩阵（GLCM）

共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。

一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为

P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝

其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的

灰度共生矩阵

一.概念及流程

纹理特征在地物光谱特征比较相似的时候常作为一种特征用于图像的分类和信息提取，是由灰度分布在空间位置上反复出现而形成的，因而图像空间中相隔某距离的两个像素之间存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法。

具体描述如下：

1)灰度降级，对原始影像进行灰度降级如8,16,32,64等；

纹理计算的灰度降级策略来源于IDL的bytscl函数介绍，具体描述如下：

图 2 灰度降级

2)根据设定好的窗口大小，逐窗口计算灰度共生矩阵； 3)根据选择的二阶统计量，计算纹理值。

二.纹理算子

协同性（GLCM_HOM）：对应ENVI的Homogeneity

反差性（GLCM_CON）：

非相似性（GLCM_DIS）：

均值GLCM_MEAN：对应ENVI的Mean

方差GLCM_VAR：对应ENVI的Variance

角二阶矩GLCM_ASM：对应ENVI的Second Moment

相关性GLCM_COR：对应ENVI的Correlation

GLDV角二阶矩GLDV_ASM：

熵GLCM_ENTROPY：对应ENVI的Entropy

归一化灰度矢量均值

为了提高图像检索中纹理特征提取的效率,提出小波变换并进行高斯归一化的综合方法 ,实现了纹理特征的提取 ,并和其他方法做 了对比 实验 实验证明,该方法可以提高效率6个百分点 ,有很强 的实用性。

第

卷

第月

期

哈尔滨理工大学学报,

年

图像检索中纹理特征提取的研究葛晓著,

, '

张宏喜

, '

李兰英仇以只

'

哈尔滨理工大学计算机与控制学院黑龙江哈尔滨黑龙江哈尔滨

绷

哈尔滨汽轮机厂实业开发总公司

一

,

摘

要为了提高图像检索中纹理特征提取的效率提出了,,,

,

小波变换并进行高斯归一化,

的综合方法实现了纹理特征的提取并和其他方法做了对比实验实验证明该方法可以提高效率

个百分点有很强的实用性

关键词纹理特征中图分类号

小波变换

归一化

文献标识码

文章编号

一

一

一

尸一,

,

,

万,

一,

,

,

五了五,

一

,

一

,

,

,

,

,

纹理是由纹理基元按某种确定的规律或统计规

以灰度级的空间相关矩阵为基础的共生矩阵法显然

律排列而形成的局部结构化特征由象素组成的具有一定形状和大小的集合如条状丝状圆斑块状,,,,

优于前者而灰度一梯度共生矩阵法把图像的梯度信息加进灰度共生矩阵在应用中会更加有效但共生矩阵法计算量大缺少与人视觉的相似性结构,,

等称为纹理基元纹理特征的提取指的是通过一定的图像处理技术检测出纹理基元建立模型从而获

一种基于灰度梯度共生特征的复小波域纹理检索方法

摘要：在图像经频域分解后的子带系数上引入灰度梯度共生矩阵，且计算低冗余度的特征值。将该特征应用于各种频域变换的子带系数上，并提出一种基于双树复数小波分解的灰度梯度共生矩阵纹理检索方法，实验结果表明，该方法有效的提高了检索精度。

关键词：灰度梯度共生矩阵； 小波变换；曲波变换； 轮廓波变换；双树复数小波变换；图像检索

1.引言

20世纪90年代以来随着多媒体技术和互联网技术的快速发展，对图像库进行有效管理和利用的需求越发迫切，图像检索作为其中的关键技术受到人们的广泛关注。传统的基于文本的检索技术由于具有人工提取工作量大且主观性强，文本描述不能充分表达图像内涵，文本二义性等缺点已不能适用于大规模图像集，因此，基于内容的图像检索(Content Based Image Retrieval,CBIR)逐渐成为研究热点。CBIR是指利用图像的视觉内容，如颜色，纹理，形状，空间布局，语义等，从大量图像数据中搜索用户感兴趣的图像。

国内外学者对图像纹理进行了大量的研究。根据信号处理理论，图像纹理特征的提取方法可分为：空间域方法和频域方法[1]。空间域方法可归类为统计方法，结构方法或混合方法[1-5]。频域方法中常用的有

%直接帧间差分，计算阈值并进行二值化处理（效果不好）

clc;

clear;

Im1 = double(imread('')); %读取背景图片

Im2 = double(imread(''); %读取当前图片

[X Y Z] = size(Im2); %当前图片的各维度值

DIma = zeros(X,Y);

for i = 1:X

for j = 1:Y

DIma(i,j) =Im1(i,j) - Im2(i,j); %计算过帧间差分值

end

end

figure,imshow(uint8(DIma)) %显示差分图像

title('DIma')

med = median(DIma); %计算二值化阈值：差值图像中值

mad = abs(mean(DIma) - med); %中值绝对差

T = mean(med + 3**mad) %初始阈值

Th =5*T; %调整阈值

BW = DIma <= Th; %根据阈值对图像进行二值化处理

figure,imshow(BW)

%se = strel('disk',2); %膨胀处理

%BW = im

本科生毕业设计（论文）文献综述

题 目： 人脸特征提取与识别

姓 名：

学 号：

学 院：

专 业：

年 级：

指导教师： （签名）

系主任（或教研室主任）： （签章）

目录

1 2

前言 .......................................................................................................................................... 1 人脸特征提取与识别方法 .............................

图像特征提取三大法宝

（一）HOG特征

1、HOG特征：

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 （1）主要思想：

在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要存在于边缘的地方）。 （2）具体的实现方法是：

首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。 （3）提高性能：

把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对比度归一化（contrast-normalized），所采用的方法

单位代码 学 号 分 类 号 密 级

毕业设计(论文)

基于Matlab的指纹图像特征提取

院（系）名称 专业名称 学生姓名 指导教师

2012年 5 月 15 日

基于Matlab的指纹图像特征提取

摘 要

随着社会的发展，传统的基于信物或口令的安全系统显得越来越脆弱，不能适应现代安全系统的需要，因而人们需要研究更加安全可靠，防伪性能更好的安全系统。指纹识别技术就是在这种背景下产生的，它借助人体的生理特征来提高身份识别的可靠性，目前已经成为国内外研究的热点。

指纹识别大体分为三个步骤：预处理、特征提取和特征匹配。本文集中于研究特征提取部分，并针对特征提取中的一些关键算法和实现进行了研究和优化，其主要内容如下：在特征提取方面，本论文采用了一种8邻域编码纹线跟踪算法，标注出端点和分叉点来进行特征提取；在剔除伪特征点时，先进行去边缘处理，再根据不同类型伪特征点的特征，采用相应剔除算法。实验表明，以上算法具有较小的运算量和较高的准确性。上述算法在本文中均用Matlab实现，取得

维普资讯

2 00 5生

工程图学学报JoURNAL oF ENGI NEERI NG GRAPH I CS

2 0 0 5NO . 4

第 4期

智能图元特征提取与图形匹配技术刘就女， 吴东庆2, 彭小敏， 李哲林f 1 .华南理工大学工业设计与图学研究所，广州 5 1 0 6 4 0;2 .仲凯农业技术学院，广州 5 1 0 2 2 5

3 .中国工商银行广州软件研发中心，广州 5 1 0 6 3 0 )

摘

要：实现作业的智能化批改是本课程多年来未能突破的技术难点，作者要解决

的正是这难点。其关键技术是图元特征提取与图形匹配，它为智能化批改的算法、设计与实 现做了理论上的准备。并找到了图形匹配的方法，研究了图形匹配技术，并且成功地利用图 形匹配技术，实现了规则图元和非规则图元 (曲线 )的智能批改。 关键词：计算机应用；智能化批改；算法设计；二次开发工具中图分类号：T P 3 9 1文献标识码：A文章编号：1 0 0 3 - 0 1 5 8 ( 2 0 0 5 ) 0 4— 0 1 4 6 - 0 5

工程制图作业的智能化批改是电子习题系统开发的难点，多年来，在一些高校开发的、各具特点的工程制图电子习题集系统中仍没有得到解决 J。 电子习题集系统的智能

武汉理工大学毕业设计（论文）

目录

摘要.................................................................................................................. I ABSTRACT .......................................................................................................... II 绪论.. (1)

1 论文工作及章节安排 (2)

1.1论文的主要工作 (2)

1.2论文的组织结构 (2)

2 结构设计与方案选择 (3)

2.1 仿射不变性的特征提取系统结构 (3)

2.2 特征提取的方案选择 (4)

2.2.1 数据处理软件的选择 (5)

2.2.1.1 用MATLAB进行处理 (5)

2.2.1.2 用VC++进行处理 (6)

2.2.2 特征提取方案选择 (6)

2.2.2.1 利用仿射几何的仿射不变性提取方法 (6)

2.2.2.2 局域仿射不变性特征点提取 (8)

3仿射理论基础 (9)

3.1 图像的预处理 (9)

3.1.1 滤波方法 (