基于邻域均值灰度共生矩阵的图像检索
基于Z搜索共生矩阵的彩色图像检索算法
基于Z搜索共生矩阵的彩色图像检索算法张红军;王凤领;林继明【摘要】针对图像检索中难以有效对色彩丰富的彩色图像检索、特征维数过高等问题,提出一种基于Z搜索的彩色图像检索算法.将图像的每个颜色通道划分为子块,在每个块中,通过Z搜索技术得到每对像素的强度关系,对每个颜色通道构建Z搜素的共生矩阵(Z-co-occurrence matrix,ZCM),从图像空域中提取特征并存储所有最接近的块;在相似测量阶段,通过ZCM的比较,查询图像与数据库图像的相似性,完成目标图像检索.实验结果表明,与当前检索算法相比,所提算法具有更高的查准率和查全率,在图像包含相同纹理或者色彩丰富的彩色图像时,具有更好的检索性能.%For the problem that the image retrieval is difficult to search the color rich image and the feature dimension is too high,a color image retrieval algorithm based on Z search was proposed.Each color channel of the image was divided into N * N blocks,in each block,the intensity relation of each pair of pixels was obtained using Z search technique,a Z search matrix for each color channel (Z-co-occurrence matrix,ZCM) was constructed,and the features were extracted from the image space domain and each relation of the nearest block was stored.The similarity between the query image and the database image was compared through ZCM to retrieve images.Experimental results show that compared with the current search algorithm commonly used,the proposed algorithm has higher precision and recall,especially for the images contain same textures or rich color,it has better retrieval performance.【期刊名称】《计算机工程与设计》【年(卷),期】2018(039)004【总页数】6页(P1136-1141)【关键词】图像检索;Z搜索;共生矩阵;方向强度;像素强度;相似度量【作者】张红军;王凤领;林继明【作者单位】贺州学院数学与计算机学院,广西贺州 542899;贺州学院数学与计算机学院,广西贺州 542899;桂林电子科技大学计算机与控制学院,广西桂林541004【正文语种】中文【中图分类】TP3910 引言基于图像内容的检索(CBIR)技术的核心是如何准确提取图像特征，常用的图像特征有纹理、颜色、形状和空间关系等[1]。
基于灰度共生矩阵提取纹理特征图像的研究
［收稿日期］ ２００７－ ０２－ ６ ［作者简介］ 冯建辉（ １９７７－ ） ， 女， 汉族， 河北肃宁人， ２００６ 级硕士研究生。研究方向： ３Ｓ 集成及其关键技术研究。
２０
·北京测绘·
２００７年第 ３ 期
图 １ 灰度共生矩阵 根据灰度共生矩阵， 可以定义出大量的纹理 特征， 而目的就是使用所得的纹理特征辅助遥感
３ 纹理特征影像提取的方法
基于影像灰度共生矩阵的纹理特征提取算 法如下：
纹 理 特 征 影 像 提 取 分 为 提 取 灰 度 图 像 、灰 度 级量化， 计算特征值， 纹理特征影像的生成四部 分。 ３．１ 提取灰度图像
计算纹理特征的第一步就是将多波段的影 像（ ＲＧＢ 影像） 转换为灰度图象， 求出分别代表 ＲＧＢ 的单波段。选择其中的一个波段进行计算纹 理特征。因为纹理特征是一种结构特征， 即使使用 不同波段的影像得到的纹理特征都是一样的。所 以我们任意选择了 Ｒ 波段作为研究的波段。 ３．２ 灰度级量化
１ 灰度共生矩阵提取纹理特征的现状
纹理特征是应用较多的一种非光谱特征。影 像的纹理分析是从上世纪 ７０ 年代发展起来的一 门技术。基于灰度共生矩阵提取纹理特征的方法 是一个经典的统计分析方法， 对它的研究也已经 有了很久的历史， 是目前公认的一种纹理分析方 法 。 ［１］［２］ Ｈａｒａｌｉｃｋ 于 １９７３ 首先提出灰度共生矩阵 （ＧＬＣＭ）， 其优于灰度游程长度法和光谱方法， 是 一种得以广泛应用的常用的纹理统计分析方法 和纹理测量技术。１９９２ 年， Ｐ．Ｐ．Ｏｈａｎｉａｎ［３］给出了对 几种纹理测量技术的比较结果， 并且他根据实验 结果证明了： 在 ４ 种用于实现纹理分类的特征
４ 实验结果分析
本 实 验 程 序 通 过 ＶＣ＋＋ 编 程 来 实 现 对 输 入 遥感影像的纹理分析， 计算影像纹理特征值输出 纹理分析的影像结果。该程序是利用 ５×５ 和 ７× ７ 两种滑动窗口计算出在四个方向计算出的纹理 特征值求平均， 对整个影像每一个像元遍历计算 后， 我们便得到了纹理特征值形成的特征值矩 阵， 进而将特征值矩阵转换为特征影像。利用不 同的纹理特征统计计算方法， 我们便得到了以下 多幅纹理特征影像。下面的图是通过该程序获得 的两种滑动窗口的纹理图像。
基于邻域均值灰度共生矩阵的图像检索
像为细而不规则的纹理，则成对像元点的二维直方图
倾向于均匀分布；若是粗而规则的纹理，则倾向于作
对角分布。距离差分值(a，b)取不同的数值组合，可以
得到沿一定方向相隔一定距离
的像元之间灰
度联合概率矩阵。a和b的取值要根据纹理周期分布的
特性来选择。
共生矩阵反映了图像灰度分布关于方向、局部邻域
和变化幅度的综合信息，但它并不能直接提供区别纹理
二灰度共生矩阵法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基于邻域均值灰度共生矩阵的图像检索步亚东侯德文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整幅图像上移动则会得到各种ij值设灰度值的级数为k则i与j的组合共有k种
图像检索中，较常用的纹理特征主要有Tamura纹理 特征、自回归纹理模型、方向性特征、小波变换和共生 矩阵等形式[2]。
一、共生矩阵法[3]
首先建立一个基于像素之间方向性和距离的共生矩 阵，然后从矩阵中提取有意义的统计量作为纹理特征， 最后用4个方向的统计特征量做平均，提取均值及方差 构成一个8元向量用于检索。此方法在多数情况下是有 效的，但也存在一些问题：由于灰度共生矩阵本身具有 方向性，进而从该矩阵提取的统计量也只能反应某一方 向信息。虽然检索时采用了4个方向的统计量做平均， 但还是不能很好的表达图像全局信息。为了克服共生矩 阵法的局限性，论文提出了邻域平均值共生矩阵提取图 像纹理特征。
的特性，还需要计算出熵、能量，反差，相关等。
对于灰度级为N级的图像，共生矩阵为M×X维矩
阵， 即
。其中：位于(h，k)的元素 表示
相距
的灰度为h，而另一个灰度为k的像素对出
基于灰度共生矩阵（GLCM）的图像纹理分析与提取
基于灰度共生矩阵（GLCM）的图像纹理分析与提取重磅干货，第一时间送达灰度共生矩阵灰度共生矩阵(Gray Level CO-Occurrence Matrix-GLCM)是图像特征分析与提取的重要方法之一，在纹理分析、特征分类、图像质量评价灯方面都有很重要的应用，其基本原理图示如下：左侧是一个图像，可以看出最小的灰度级别是1，最大的灰度级别是8，共有8个灰度级别。
右侧对应的灰度共生矩阵，左上角第一行与第一列的坐标(1, 1)包含值1，原因在于水平方向上，相距一个像素值，当前像素跟水平右侧相邻像素只有一个是1、1相邻的像素值(灰度级别)对；右侧共生矩阵的原始(1, 2) = 2 说明在像素矩阵中有两个像素值1，2相邻的像素点对、以此类推得到完整的右侧灰度共生矩阵。
根据当前像素跟相邻像素位置不同，可以计算得到不同的共生矩阵，同时根据像素之间的距离不同会输出不同灰度共生矩阵。
总结来说，有如下四种不同角度的灰度共生矩阵：•0度水平方向GLCM•45度方向GLCM•90度垂直方向GLCM•135度方向GLCM根据相邻像素点之间距离参数D不同可以得到不同距离的GLCM。
此外对正常的灰度图像来说，最小灰度值为0，最大的灰度值为255，共计256个灰度级别，所以GLCM的大小为256x256，但是我们可以对灰度级别进行降维操作，比如可以每8个灰度值表示一个level这样，这样原来256x256大小的共生矩阵就可以改成256/8 * 256 /8 = 32x32的共生矩阵。
所以最终影响灰度共生矩阵生成有三个关键参数：•角度 (支持0、45、90、135)•距离（大于等于1个像素单位）•灰度级别(最大GLCM=256 x 56)GLCM实现纹理特征计算灰度共生矩阵支持如下纹理特征计算，它们是：•能量•熵值•对比度•相关性•逆分差这些纹理特征计算公式如下：上述5个是常见的GLCM的纹理特征，GLCM总计由14个特征值输出，这里就不再赘述了！感兴趣的可以自己搜索关键字GLCM。
基于灰度共生矩阵的彩色遥感图像纹理特征提取
基于灰度共生矩阵的彩色遥感图像纹理特征提取侯群群;王飞;严丽【摘要】纹理在图像检索和分类中起着非常重要的作用.目前已有的纹理特征提取算法大多只能提取灰度图像的纹理特征,用于彩色图像的纹理特征提取算法则很少.参照对灰度共生矩阵(gray level co-occurrence matrix,GLCM)的分析方法,实验和分析了方向、距离、灰度级和窗口大小等参数对彩色图像GLCM纹理特征的影响,实现了基于GLCM的彩色图像纹理特征提取方法(color GLCM,CGLCM);通过分析上述参数对角二阶矩、熵、对比度和相关性等4个纹理特征的影响规律,给出了合理的参数取值范围,优化了CGLCM方法.将CGLCM方法和GLCM方法进行对比的结果表明,用CGLCM方法计算的角二阶矩、熵、对比度和相关性等4个纹理特征的稳健性更好、鉴别能力更强.上述研究结果可为基于纹理信息的图像检索和分类提供参考.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)004【总页数】7页(P26-32)【关键词】彩色图像;图像检索和分类;纹理;灰度共生矩阵(GLCM);特征值【作者】侯群群;王飞;严丽【作者单位】西北农林科技大学资源环境学院,杨凌712100;西北农林科技大学资源环境学院,杨凌712100;中国科学院水利部水土保持研究所,杨凌 712100;西北农林科技大学资源环境学院,杨凌712100【正文语种】中文【中图分类】TP751.10 引言纹理是组成图像的色调基元空间中相互作用而产生的一种依赖于尺度效应的现象，色调基元则是指由一个像元或者相邻的具有类似色调特征的一组像元组成的区域[1]。
纹理特征在图像检索和图像分类中已得到广泛应用。
目前已有的纹理特征提取方法可分为统计方法、模型方法、信号处理方法和结构方法4大类。
其中，统计方法基于像元及相邻像元的灰度属性，研究纹理区域中的统计特性或像元及其临域内灰度的一阶、二阶或高阶统计特性，方法简单且易于实现;尤其是灰度共生矩阵(gray level co-occurrence matrix，GLCM)方法是公认的有效方法，具有较强的适应能力和鲁棒性[2]。
基于灰度共生矩阵的图像特征抽取方法介绍与实验验证
基于灰度共生矩阵的图像特征抽取方法介绍与实验验证图像特征抽取在计算机视觉和图像处理领域中起着至关重要的作用。
其中，灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）是一种常用的特征提取方法。
本文将介绍GLCM的原理和应用，并通过实验验证其有效性。
一、灰度共生矩阵的原理灰度共生矩阵是一种统计特征提取方法，用于描述图像中不同像素之间的灰度关系。
它通过统计图像中每对像素之间的灰度级出现的频率来构建矩阵。
具体而言，对于给定的灰度级d和偏移量（或距离）h，灰度共生矩阵中的元素GLCM(d, h)表示在给定偏移量h的情况下，像素对(i, j)的灰度级分别为d和d+h的概率。
灰度共生矩阵的构建可以通过以下步骤完成：1. 将图像转换为灰度图像；2. 定义偏移量h和灰度级d的范围；3. 对于每个像素(i, j)，统计以偏移量h为距离的像素对(i, j)和(i+h, j)的灰度级出现的频率，并将其记录在GLCM中对应的位置。
二、灰度共生矩阵的应用灰度共生矩阵可以用于提取图像的纹理特征。
通过对GLCM进行统计分析，可以得到一系列用于描述图像纹理的特征参数。
常用的特征参数包括：1. 对比度（Contrast）：描述图像中不同灰度级像素对之间的对比度；2. 相关性（Correlation）：描述图像中不同灰度级像素对之间的线性相关性；3. 能量（Energy）：描述图像中不同灰度级像素对出现的概率；4. 熵（Entropy）：描述图像中不同灰度级像素对的不确定性；5. 逆差矩阵（Inverse Difference Moment）：描述图像中不同灰度级像素对的聚集程度。
这些特征参数可以用于图像分类、目标检测、图像检索等应用。
三、实验验证为了验证灰度共生矩阵的有效性，我们进行了一组实验。
实验使用了一组包含不同纹理的图像，包括木纹、石纹、布纹等。
首先，我们对每张图像计算其灰度共生矩阵，并提取出上述特征参数。
一种有效的基于灰度共生矩阵的图像检索方法
第31卷第9期2006年9月武汉大学学报#信息科学版Geo matics and Informat ion Science of W uhan U niver sity V ol.31N o.9Sept.2006收稿日期:2006-06-27。
文章编号:1671-8860(2006)09-0761-04文献标志码:A一种有效的基于灰度共生矩阵的图像检索方法王 波1 姚宏宇1 李弼程1(1 信息工程大学信息工程学院,郑州市俭学街7号,450052)摘 要:提出了一种基于广义图像灰度共生矩阵的图像检索方法。
该方法首先将原图像作平滑处理得到平滑图像,然后将原图像和平滑图像组合得到广义图像灰度共生矩阵,提取该矩阵的统计特征量,最后将该统计量组成归一化向量用以检索。
实验结果表明,本方法的效果要优于单纯的灰度共生矩阵法。
关键词:图像检索;基于内容的检索;平滑图像;共生矩阵中图法分类号:T P751;P237.3基于内容的图像检索[1]主要采用较低层次的图像特征,如颜色、纹理和形状等。
至于高层次的语义特征,由于在图像内容表示中出现的/语义鸿沟0问题[2]的解决还有待突破,而颜色、纹理和形状易于实现特征的自动提取,因而,现有的一些图像检索系统大都采用这几种特征或将这几种特征综合起来应用。
在图像检索中,较常用的纹理特征主要有Tamura 纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式[3]。
这些纹理分析方法的共同点就是提取了那些在特定纹理描述中最重要的特征,突出纹理的不同方面。
其中,基于共生矩阵的纹理检索算法被广泛应用。
共生矩阵法[4,5],又称为灰度联合概率矩阵法(灰度共生概率矩阵法),是对图像的所有像元进行统计调查,以便描述其灰度分布的一种方法。
此方法在多数情况下是有效的,但由于灰度共生矩阵本身具有方向性,从该矩阵提取的统计量只能反映某一方向的信息。
虽然检索时采用了4个方向的统计量作平均,但还是不能很好地表达图像的全局信息。
基于灰度共生矩阵的乳腺病理图像纹理特征分析
基于灰度共生矩阵的乳腺病理图像纹理特征分析赵爽;李延军;马志庆;赵文华【摘要】目的:通过深入分析乳腺病理图像,为精确区分良恶性乳腺肿瘤,提出便于计算又能给出较高的分类精度的纹理特征参数.方法:基于灰度共生矩阵算法,提取乳腺癌病理图像的纹理特征进行分析.结果:确定4个具有很好特征效果且便于计算的纹理特征参数,熵和对比度的均值特征对区分良恶性肿瘤有很好的表现.结论:在乳腺病理图像中提取熵和对比度的均值为主要特征,可有效区分乳腺肿瘤良性与恶性.【期刊名称】《中国医学装备》【年(卷),期】2018(015)008【总页数】4页(P5-8)【关键词】灰度共生矩阵;乳腺癌病理图像;纹理;特征提取;熵和对比度【作者】赵爽;李延军;马志庆;赵文华【作者单位】山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355;山东中医药大学理工学院山东济南 250355【正文语种】中文【中图分类】R737.9图像的特征除了颜色、形状和空间关系外，纹理作为物体表面的一种自然属性，也是人类视觉系统区分自然界物体的重要特征[1]。
纹理特征用于描述物体表面粗糙度、规则性和方向性等特性，是建立一个机器视觉系统不可忽视的信息，而且研究人员已经在纹理分类、纹理分割、纹理合成等应用领域取得了丰硕的成果[2]。
灰度共生矩阵(gray-level co-occurrence matrix，GLCM)在纹理特征提取中非常流行，该方法提取的纹理特征具有良好的鉴别能力。
Haralick等[3]提出的GLCM 方法已经成为纹理特征提取的一种经典算法，在很多领域被广泛应用。
随后，Haralick[4]又进一步深入研究，于20世纪70年代末从GLCM中提出了14个二阶统计量作为纹理特征，用于纹理分割和分类等方面。
以往的学术研究中，在基于GLCM彩色遥感图像纹理特征提取中，将灰度级压缩到16级时，可以在很大程度上减少计算量而不影响计算结果[5]；在基于GLCM 提取纹理特征图像的研究中，对比度影像的亮度相对比较大[6]；在基于GLCM的脑部CT图像纹理特征提取方法，除对比度特征值外，能量、逆差分矩、熵等3项图像纹理特征值均能有效地区分正常和异常脑部CT图像[7]；在乳腺肿瘤超声图像纹理特征分析中表明相关性、方差、相关信息度量1和相关信息度量2组合的判别结果最好[8]。
基于广义图像灰度共生矩阵的图像检索方法
媒体信息系统方向发展， 形成了巨大的多媒体数据库， 因此对 多媒体数据的基于内容进行检索以获得所需要的信息是多媒 体信息系统要求解决的关键问题之一。基于内容的图像检索 ’&( 主要采用较低层的图像特征， 如颜色、 纹理和形状等。 至于高层 次的语义特征， 由于在图像内容表示中所出现的“ 语义鸿沟 ”
于 表 示图像的纹理特征， 距离匹配采用欧氏距离
7&， 6&， 6&， 6&， 6&， ’+ ! （ -56’ ， -）# （ !56’ ， !）# （ %56’ ， %）# （ #56’ ， #）
（ 0）
但是由于以上 # 个分量物理意义和取值范围不同， 小的分 量和较大的分量相比， 在计算时容易被忽略， 所以同样需对它 们进行特征内部归一化。这样在计算相似距离时， 可使各分量 具有相同权重。归一化时仍采用高斯归一化方法 &%(。
% 算法描述 %$- 广义图像灰度共生矩阵
把原图像与平滑图像相对应的两个像素点组合起来， 形成 一个二元矢量。把所得的二元矢量的集合称为广义图像。广义 图像灰度共生矩阵法考虑了原始图像灰度级与平滑图像灰度 级的联合统计分布。 这种方法的实现过程与灰度共生矩阵法类 似。 设 原 图 像 为 0（ ， …， …， 其灰度级 !， "） !+- ， !， 1； "+- ， !， 2， 为 3 。采用 %2% 或者 ’2’ 点阵对原始图像进行平滑处理， 得到 平 滑 图 像 4（ ， …， …， 其灰度级也为 !， "） !+- ， !， 1； "+- ， !， 2，
（ 混合熵： !）
35- 3 4 5-
6!+5"")&’ 789)&’
【2019年整理】一种基于灰度梯度共生特征的复小波域纹理检索方法
一种基丁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。
将该特征应用丁各种频域变换的子带系数上，并提出一种基丁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。
传统的基丁文本的检索技术由丁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丁大规模图像集，因此，基丁内容的图像检索(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Gabor变换［6］, Wavelet变换［7］, Curvelet变换［8,9］, Contourlet变换［10,11］,DT-CWT 变换［12,13］等。
图像经频域方法分解得到的子带系数反映的是图像的灰度分布特征，不包含系数之间的关系。
因此，我们在频域方法的基础上引入灰度梯度共生矩阵(GLGCM,Gray Level-Gradient Cooccurrence Matrix),在保留图像灰度信息的同时引入图像的梯度信息以获得更丰富的纹理信息。
自Haralick.R.M ［14］提出共生矩阵方法以来，该方法成为提取纹理特征的主要方法之一，被应用丁图像处理的各个领域。
基于灰度共生矩阵纹理特征的车型识别系统
基于灰度共生矩阵纹理特征的车型识别系统摘要：车型识别是计算机视觉领域的热门研究课题之一。
本文提出了一种基于灰度共生矩阵纹理特征的车型识别系统。
该系统通过采用灰度共生矩阵技术提取车辆图像的纹理特征，将其转换为数值特征，再使用机器学习算法进行分类和识别。
实验结果表明，该系统具有较高的识别准确率和鲁棒性，可以在车辆安全监测、智能交通管理等领域得到广泛应用。
关键词：车型识别，灰度共生矩阵，纹理特征，机器学习正文：一、绪论车型识别是计算机视觉领域的研究热点之一，随着智能交通技术的不断发展，车型识别在车辆安全监测、智能交通管理等领域的应用越来越广泛。
车型识别系统可以通过对车辆图像进行分析和处理，实现对不同类型车辆的区分和识别。
二、灰度共生矩阵纹理特征提取灰度共生矩阵（GLCM）是一种用于描述图像纹理特征的数学工具。
该方法的核心思想是通过统计不同位置上灰度级别出现的次数及其相对位置关系，来描述图像的纹理特征。
目前，GLCM已被广泛应用于人脸识别、文本识别、车型识别等领域。
在车型识别中，我们可以采用GLCM技术提取车辆图像的纹理特征。
具体步骤如下：1. 将车辆图像灰度化。
2. 设置灰度共生矩阵的滑动距离、方向和像素灰度级别。
3. 根据设置的参数，计算出每个像素点的灰度共生矩阵。
4. 通过对灰度共生矩阵进行归一化和计算特征值，得到车辆图像的纹理特征。
三、基于机器学习的车型识别算法得到车辆图像的纹理特征后，我们可以将其转换为数值特征，再使用机器学习算法进行模型训练和分类识别。
常用的机器学习算法包括支持向量机、决策树、神经网络等。
在本文中，我们选用支持向量机（SVM）作为分类器，其原因是SVM具有较高的分类准确率和鲁棒性。
通过对车型识别数据集的实验，我们得到了一个基于灰度共生矩阵纹理特征的车型识别系统，该系统的分类准确率达到了90%以上。
四、实验结果分析本文实验结果表明，基于灰度共生矩阵纹理特征的车型识别系统具有较高的识别准确率和鲁棒性。
基于灰度共生矩阵的沥青路面病害雷达图像纹理特征提取研究
doi: 10.3969/j.issn.1673-6478.2023.04.040基于灰度共生矩阵的沥青路面病害雷达图像纹理特征提取研究杨晓美1，仰圣刚2（1. 江西赣粤高速公路工程有限责任公司，江西南昌330013；2. 华东交通大学交通运输工程学院，江西南昌330013）摘要：随着电磁波探测在道路领域的日益推广，探地雷达逐渐成为道路内部状况诊断的有效手段。
通过探地雷达设备获取的道路内部雷达图像经校零、背景去除、滤波等处理后因图像差异性较大目前没有较为统一的解释。
为了探究不同参数下的灰度共生矩阵特征对不同病害图像的适用性，本文首先通过正交试验设计对灰度共生矩阵参数进行组合，然后在不同参数下利用灰度共生矩阵算法对原始雷达图像进行特征计算，最后得到不同参数设置下对比度、逆方差、能量、熵值四种特征图像。
结果表明：当滑动窗口为11 × 11、统计方向为45°、灰度级数为8时，层间黏结不良的熵特征更为明显；滑动窗口为5 × 5、统计为方向90°、灰度级数为128时，裂缝的熵特征更为明显。
本文提出的探地雷达图像纹理特征适用性参数设置对图像分割、识别及数据增强等有一定的参考价值。
关键词：沥青路面；无损病害检测；三维探地雷达；纹理特征提取；灰度共生矩阵中图分类号：U416.2 文献标识码：A 文章编号：1673-6478（2023）04-0187-05 Research on Texture Feature Extraction of Asphalt Pavement Disease Radar ImageBased on Grayscale Symbiosis MatrixYANG Xiaomei1, YANG Shenggang2(1. Jiangxi Ganyue Expressway Engineering Co., Ltd., Nanchang Jiangxi 330013, China; 2. School ofTransportation Engineering, East China Jiaotong University, Nanchang Jiangxi 330013, China) Abstract:With the increasing promotion of electromagnetic wave detection in the road field, ground penetrating radar has gradually become an effective method for road internal condition diagnosis. There is no unified interpretation of the radar images inside the road obtained by ground penetrating radar equipment after processing such as zeroing, background removal, and filtering, due to the large differences in images. In order to explore the applicability of grayscale co-existence matrix features under different parameters to different disease images, this paper first combines the gray scale co-existence matrix parameters through orthogonal experimental design, and then uses the grayscale co-existence matrix algorithm to calculate the features of the original radar image under different parameters, and finally obtains four feature images of contrast, inverse variance, energy and entropy under different parameter settings. The results show that the entropy characteristics of poor interlayer bonding are more obvious when the sliding window is 11 × 11, the statistical direction is 45°, and the gray level is 8. The entropy characteristics of cracks are more obvious when the sliding window is 5 × 5, the statistic direction is 90°, and the gray level is 128. The parameter setting of texture feature applicability of GPR image proposed in this paper has certain reference value for image segmentation, 收稿日期：2023-02-20作者简介：杨晓美（1976-），女，江西丰城人，高级工程师，从事高速公路项目施工管理工作.（）188交通节能与环保第19卷recognition and data enhancement.Key words: asphalt pavement; non-destructive disease detection; 3D ground-penetrating radar; texture feature extraction; gray scale co-occurrence matrix0引言随着公路里程数的快速增长，公路养护特别是沥青路面的养护，是当前公路管理部门面临的最主要的难题[1-2]。
灰度共生矩阵
1 引言图像识别是随计算机的发展而兴起的一门学科，现已渗透各个领域。
如生物学中的色体特性研究；天文学中的望远镜图像分析；医学中的心电图分析、脑电图分析、医学图像分析；军事领域中的航空摄像分析、雷达和声纳信号检测和分类、自动目标识别等等。
当前，对图像分类识别的常用方法是先提取图像特征，再进行特征值的归类。
图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。
本文主要针对图像的纹理特征进行提取、分析，最后实现具有显著纹理特性的图像的分类识别。
2 图像的纹理特征纹理是景物的一个重要特征。
通常认为纹理是在图像上表现为灰度或颜色分布的某种规律性，这种规律性在不同类别的纹理中有其不同特点。
纹理大致可分为两类：一类是规则纹理，它由明确的纹理基本元素（简称纹理基元）经有规则排列而成，常被称为人工纹理。
另一类是准规则纹理，它们的纹理基元没有明确的形状，而是某种灰度或颜色的分布。
这种分布在空间位置上的反复出现形成纹理，这样的重复在局部范围内往往难以体察出来，只有从整体上才能显露。
这类纹理存在着局部不规则和整体规律性的特点，常被称为自然纹理。
纹理特征可用来描述对象物表面的粗糙程度和它的方向性，也可用来分析生物材料组织，或者用来进行图像分割。
纹理特征提取的方法随纹理类别的不同而不同，一般，规则纹理采用结构分析方法，准规则纹理采用统计分析方法。
3 灰度共生矩阵由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。
灰度共生矩阵就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。
3.1 灰度共生矩阵生成灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。
取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。
提取图像纹理特征——灰度共生矩阵
提取图像纹理特征——灰度共生矩阵摘要图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作，其中图像的纹理特征对描述图像内容具有重要意义，纹理特征提取己成为目前图像领域研究的热点。
文中深入研究了基于灰度共生矩阵(GLCM)的纹理特征提取方法，给出了基于Matlab的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。
分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM)的特定图像的纹理特征提取等都具有重要参考意义。
本文分析了图像纹理的特征提取—灰度共生矩阵，是物体表而最本质的属性。
纹理特征提取是作为纹理分析的首要任务，纹理提出了用灰度共生矩阵的方法提取纹理特征，通过MA丁LAB仿真实现，结果由灰度共生矩阵产生的四个纹理特征能具有较好的鉴别能力。
关键词: 特征提取；灰度共生矩阵；纹理特征；Matlab目录1 设计目的 (1)2相关知识 (1)2.1 MATLAB简介 (1)2.2 MATLAB应用 (1)2.3 MATLAB特点 (2)3 设计方案 (3)3.1 二阶距(能量) (3)3.2 惯性矩 (4)3.3 相关 (4)3.4 熵 (4)4 程序设计 (4)5 仿真结果与分析 (10)5.1 仿真图 (10)5.2 结果分析 (17)6结论 (18)参考文献 (19)提取图像纹理特征——灰度共生矩阵1 设计目的由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。
灰度共生矩阵就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。
直觉上来说，如果图像的是由具有相似灰度值的像素块构成，则灰度共生矩阵的对角元素会有比较大的值；如果图像像素灰度值在局部有变化，那么偏离对角线的元素会有比较大的值。
灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的[5]。
基于灰度共生矩阵的纹理特征值提取
基于灰度共生矩阵的纹理特征值提取作者：黄丽华来源：《科技视界》 2013年第22期黄丽华（南京农业大学工学院，江苏南京 210031）【摘要】图像分类识别的常用方法是先提取图像特征，再进行特征值的归类。
图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。
本系统主要针对图像的纹理特征进行提取、分析，通过研究灰度的空间相关特性来描述纹理，利用灰度共生矩阵产生的四个纹理特征值使其能有效的描述相应图片的纹理特征，最后实现具有显著纹理特性的图像的分类识别。
【关键词】图像特征；灰度共生矩阵；分类识别１系统功能及工作原理1.1 系统功能简介系统使用基于统计法的灰度共生矩阵，进而提取二次统计特征量来作为区分各图像的标志，已达到对图像对象的识别。
通过CCS3.3 图像处理软件进行模拟仿真，检验相应功能是否实现。
1.2 工作原理1.2.1 灰度共生矩阵生成灰度共生矩阵被定义为从灰度级i的点离开某个固定位置关系d=（Dx，Dy）达到灰度为j的概率。
灰度共生矩阵用Ｐ（ｉ，ｊ）（ｉ，ｊ＝０，１，２，…，Ｌ）表示。
其中L表示图像的灰度级，i，j分别表示像素的灰度。
d表示两个像素间的空间位置关系。
不同的d决定了两个像素间的距离和方向。
秒为灰度共生矩阵的生成方向，通常取0，45，90和135四个方向。
当两像素间的位置关系d选定后，就生成一定关系d下的灰度共生矩阵。
共生矩阵的一个元素代表了一种灰度组合下下出现的次数。
如元素Ｐ（１，０）就代表了图像上位置关系为d的两个像素灰度分别为1和0的情况出现的次数。
1.2.2 矩阵分析1）主对角线元素的作用灰度共生矩阵中主对角线上的元素是一定位置关系下的两象素同灰度组合出现的次数。
由于沿着纹理方向上相近元素的灰度基本相同，垂直纹理方向上相近象素间有较大灰度差的一般规律，因此，这些主对角线元素的大小有助于判别纹理的方向和粗细，对纹理分析起着重要的作用。
2）元素值的离散性灰度共生矩阵中元素值相对于主对角线的分布可用离散性来表示，它常常反映纹理的粗细程度。
基于小波变换和灰度共生矩阵的轮胎花纹检索
犜犻狉犲犘犪狋狋犲狉狀犚犲狋狉犻犲狏犪犾犅犪狊犲犱狅狀 犠犪狏犲犾犲狋犜狉犪狀狊犳狅狉犿犪狀犱 犌狉犪狔犔犲狏犲犾犆狅狅犮犮狌狉狉犲狀犮犲犕犪狋狉犻狓
ＪｉａＳｈｉｙｉｎｇ，ＭａＪｉａｏｔｉｎｇ
（ＳｃｈｏｏｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ′ａｎ Ｕｎｉｖｅｒｓｉｔｙｏｆ ＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｘｉ′ａｎ ７１００６１，Ｃｈｉｎａ）
犓犲狔狑狅狉犱狊：ｔｅｘｔｕｒｅｆｅａｔｕｒｅ；ｔｉｒｅｐａｔｔｅｒｎ；ｆｅａｔｕｒｅｆｕｓｉｏｎ；ｓｉｍｉｌａｒｉｔｙｍｅａｓｕｒｅ
０ 引 言
我们每天要接触很多数字图像信息，快速的在不同的复杂 的数据库里提取到所需的信息就显得很有必要，基于内容的图 像 检索 （ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，ＣＢＩＲ） 技术［１］为我们 快速高效的获取所需图片信息提供了依据，而纹理特征［２］的 提 取是基于内容图像检索的关键技术，纹理分析在图像检索领域 中起着非常重要的作用，纹理是用图像中提取出的一种视觉特 征［３］来描述图像内容的。纹理具有各种各样的结构，能够反 映 图像的同质性特征，并且不依赖图像的颜色和亮度，因为需要 对含有多个像素点的区域进行统计并且计算，能够较好的抵抗 噪声所带来的影响，具有旋转不变性。纹理特征提取方法的优 劣直接关系到图像检索的结果，如何表征图像纹理并且对其进 行 准 确 的 分 类 ［４］是 图 像 检 索 研 究 领 域 的 一 个 重 要 方 向 。
犃犫狊狋狉犪犮狋：ＩｎｖｉｅｗｏｆｔｈｅｌｉｍｉｔａｔｉｏｎｓｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅｘｔｒａｃｔｉｎｇｔｅｘｔｕｒｅｆｅａｔｕｒｅｉｎＤｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ ，ＧｒａｙＬｅｖｅｌＣｏｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ （ＧＬＣＭ）ａｎｄＤｉｓｃｒｅｔｅｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎａｒｅｐｒｏｐｏｓｅｄ．Ｔｈｅｓｉｘｓｔａｔｉｓｔｉｃｓｏｆｇｒａｙｌｅｖｅｌｃｏｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｘａｒｅｅｘｔｒａｃｔｅｄｆｒｏｍ ｔｈｅｌｏｗｆｒｅｑｕｅｎｃｙｓｕｂｂａｎｄｓｂｙｕｓｉｎｇｔｈｅｗｅｉｇｈｔｅｄｆａｃｔｏｒｍｅｔｈｏｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍ ｐｒｏｖｅｔｈｅｒｅｔｒｉｅｖａｌｅｆｆｉｃｉｅｎｃｙ．Ｔｈｅｒｅｔｒｉｅｖａｌｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｎｅｗ ｍｅｔｈｏｄｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｇｒａｙｌｅｖｅｌｃｏｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｘ ａｎｄｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ．
遥感实验——利用灰度共生矩阵提取纹理信息
实验一利用灰度共生矩阵提取纹理信息一、实验要求1、编写灰度共生矩阵提取纹理信息的程序。
2、分别提取道路、河流、草地的纹理特征，比较它们的不同。
二、实验原理灰度共生矩阵通过对影像灰度级之间联合条件概率密度p (i ,j /d,θ)的计算表示纹理。
p (i ,j /d,θ)表示在给定空间距离d和方向θ时，灰度i为始点，出现灰度级为j的概率。
通过对图像上保持某种距离的两像素分别具有某灰度的状况进行统计而得到，描述了成堆像素的灰度组合分布，p (i ,j /d,θ)常用矩阵形式表示，称为灰度共生矩阵。
通常θ方向为：0，45，90，135，4个方向。
这样p (i ,j /d,θ)为一对称矩阵。
式中，i，j分别为两个像素的灰度；G为图像的灰度级数，d为两个像素间的位置关系，用d =(Δx ,Δy)表示，即为两个像素间在x和y方向上的距离分别为Δx，Δy不同的d决定了两像素间的距离和方向。
当两像素的位置关系选定后，可生成一定d下的灰度共生矩阵Pd为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种：（1）能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。
如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。
当共生矩阵中元素集中分布时，此时ASM值大。
ASM值大表明一种较均一和规则变化的纹理模式。
（2）对比度：，其中。
反映了图像的清晰度和纹理沟纹深浅的程度。
纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。
灰度差即对比度大的象素对越多，这个值越大。
灰度公生矩阵中远离对角线的元素值越大，CON越大。
（3）相关：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。
当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
，把均值t(i，
j)做为邻域均值共生矩阵的特征值。
邻域均值共生矩阵是由灰度矩阵和均值共同构
建而成：
其中Hij定义为集合
中元素的数目。将{Hij}做归一化处
理，得到归一化的均值共生矩阵Pij使其各元素之和
为1。
共生矩阵的缺点是计算量大，为了解决这个问
题，先把图像由彩色图像转化为灰度图像，然后把灰度
级数由256[5]转化为32，虽然转化损失了度量精度，但
五、结论
本文提出的邻域均值灰度共生矩阵，其邻域大小可 以根据情况改变。基于邻域均值灰度共生矩阵的图像纹 理特征提取能够很好的将统计和结构分析方法结合在一 起。该方法不仅以灰度分布为特点，跟结合了纹理的空 间结构，得到很好效果。方法有一定的旋转不变性，引 入了图像的空间信息。并以少量的特征数量描述一幅图 像，表达效果好，计算小，有很强的实用价值。 H
表1 检索精度表
信息系统工程 │ 2012.1.20 23
关键词：图像检索；灰度共生矩阵；纹理；邻域均值
纹理是一种重要的视觉线索，是图像中普遍存在而 又难以描述的特征，至今还没有公认的定义[1]。纹理分 析技术一直是计算机视觉、图像处理、图像分析、图像 检索等的活跃研究领域。纹理分析作为诸如上述应用的 基础性研究领域之一，其研究内容主要包括：纹理分类 和分割、纹理合成、纹理检索和由纹理恢复形状。这些 研究内容的一个最基本的问题是纹理特征提取。
(2) 角二阶矩（能量） ASM=
(3)熵
BNT=-
(4)相关 COR=
其中：
是矩阵M 中每列元素之和；
分别是
的均值和标准差。
三、算法描述
3.1邻域均值共生矩阵
若存在一副图像
，任选
其中一个点，其周围4邻域像素点像素的均值为 ：
。 计算每个像素的8邻域像素灰度的均值为：
由此我们可以得到计算周围K邻域点的
的特性，还需要计算出熵、能量，反差，相关等。
对于灰度级为N级的图像，共生矩阵为M×X维矩
阵， 即
。其中：位于(h，k)的元素 表示
相距
的灰度为h，而另一个灰度为k的像素对出
现的次数。由纹理共生矩阵提取的四个[4]特征量为：
(1)对比度（惯性矩） CON=
22 信息系统工程 │ 2012.1.20
REGION LNFO 数字地方
参考文献
[1]王惠明.图像纹理特征的提取方法[J].中国传媒大学学报:自然 科学版,2006,13(1):4-8.
[2]Zhuang Yueting,Pan Yunhe. Web-based Multimedia Information Analysis and Retrieval[M].Beijing: Tsinghua University Public,2002.
图像检索中，较常用的纹理特征主要有Tamura纹理 特征、自回归纹理模型、方向性特征、小波变换和共生 矩阵等形式[2]。
一、共生矩阵法[3]
首先建立一个基于像素之间方向性和距离的共生矩 阵，然后从矩阵中提取有意义的统计量作为纹理特征， 最后用4个方向的统计特征量做平均，提取均值及方差 构成一个8元向量用于检索。此方法在多数情况下是有 效的，但也存在一些问题：由于灰度共生矩阵本身具有 方向性，进而从该矩阵提取的统计量也只能反应某一方 向信息。虽然检索时采用了4个方向的统计量做平均， 但还是不能很好的表达图像全局信息。为了克服共生矩 阵法的局限性，论文提出了邻域平均值共生矩阵提取图 像纹理特征。
大大减少了计算量。转化的数学公式为：
邻域灰度共生矩阵并不能反映图像的纹理特
可以定义、分析以及比较含有纹理结构的图像。
3.2检索方法
对每幅图像计算得到的4维特征向量
用
于表示图像的纹理特征，距离匹配采用欧式距离
同样需要对它们进行特征内部归一化。这样在计算相似 距离的时候，可以使各分量具有相同权重。归一化时仍 采用高斯归一化方法[2]。
像为细而不规则的纹理，则成对像元点的二维直方图
倾向于均匀分布；若是粗而规则的纹理，则倾向于作
对角分布。距离差分值(a，b)取不同的数值组合，可以
得到沿一定方向相隔一定距离
的像元之间灰
度联合概率矩阵。a和b的取值要根据纹理周期分布的
特性来选择。
共生矩阵反映了图像灰度分布关于方向、局部邻域
和变化幅度的综合信息，但它并不能直接提供区别纹理
REGION LNFO 数字地方
基于邻域均值灰度共生矩阵的图像检索
◆ 步亚东 侯德文
摘要：纹理广泛存在于自然界中，是物体表面最本质的属性。纹理技术 一直是热门研究领域，纹理特征提取作为纹理分析的首要任务更是人们研究 的焦点。当图像发生旋转时，用已有的基于灰度共生矩阵的图像检索方法， 不能很好的给出检索结果，在此基础上，本文提出了一种基于邻域均值灰度 共生矩阵的图像检索方法。该方法既能描述图像的灰度分布信息，又能表达 局部细节。改方法引入了图像的空间信息，对于图像旋转不敏感。实验结果 比较表明，新方法优于单纯的灰度共生矩阵方法。
[3]贾永红.计算机图像处理与分析[M].武汉:武汉大学出版 社,2001:231-235.
[4]杨帆.数字图像处理与分析[M].北京:航空航天大学出版 社,2007:277-281.
[5]章毓晋.图像工程(上册)[M].北京:清华大学出版社,2000.
（作者单位：山东师范大学信息科学与工程学院）
但是由于以上四个分量的意义跟取值范围不同，小 的分量和较大的分量相比，在计算时容易被忽略，所以
四、实验结果
本实验构建了300幅图像数据库并将其命名为 MyImage，其中包括花朵，雪景，汽车，动物，食 品，书籍等图片。其中含有雪景和汽车各50幅。本实 验的运行环境是windows7操作系统，应用的matlab 7.0编程，采用的是8邻域均值共生矩阵方法，从该矩 阵中提取4个特征向量，用3.2的检索方法进行检索。 表1列出了灰度共生矩阵、邻域均值共生矩阵的检索 平均精度。
二、灰度共生矩阵法
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。
在图像中任意取一点(x，y)及偏离它的另一点 (x+a，x+b)设该点对的灰度值为(i，j)。令点(x，y)在 整幅图像上移动，则会得到各种(i，j)值，设灰度值的 级数为k，则i与j的组合共有k2种。对于整幅图像，统 计出每一种(i，j)值出现的次数，然后排列成一个方 阵，再用(i，j)出现的总次数将它们归一化为出现的概 率Pij，则称这样的方阵为灰度联合概率矩阵。灰度联 合概率矩阵实际上就是二像元点的联合直方图。若图