灰度共生矩阵

灰度共生矩阵
概念：
像素灰度在空间位置上的反复出现形成图像的纹理，GLCM是描述具有某种空间位置关系两个像素灰度的联合分布
含义：
就是两个像素灰度的联合直方图，是一种二阶统计量
就是两个像素点的关系。

像素关系可以根据不同的纹理特性进行选择，也就是的大小可以自由选
像素的空间位置关系：
取。

对于较细的纹理分析可以取像素间距为1，是水平扫描；是垂直扫描；是45度扫描；是
135度扫描（原博文有错误）。

一旦位置空间确定，就可以生成灰度共生矩阵。

矩阵的物理意义：
用表示灰度共生矩阵，它是一个的矩阵（L为灰度级，就是一幅图中包含的不同灰度或者颜色的个数），是具有空间位置关系且灰度分别为i
和j的两个像素出现的次数或频率（归一化）
例如：下图是某纹理像素的放大，和对应的像素灰度矩阵
此图像只有三种灰度，故灰度级为3，灰度共生矩阵是一个3*3的矩阵
归一化形式为
改变位置空间的定义，灰度共生矩阵相应地改变：
归一化形式为：
矩阵的特征量：
从灰度共生矩阵上可以简单的看出，如果对角附近的元素有较大的值，说明图像的像素具有相似的像素值，如果偏离对角线的元素会有比较大的值，说明像素灰度在局部有较大变化。

为了得到更多的纹理特征，我们还需要在进行计算：
对比度）（或反差）（contrast）：
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。

所以con越大图像越清晰
相关度（inverse different moment）：
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。

能量：是灰度共生矩阵元素值的平方和，所以也称之为能量，反映了图像灰度分布均匀程度和纹理粗细度。

ASM值大表明一种较均一和规则变化的纹理模式。

熵（entropy）：熵在物理中的含义就是物体的规则度，越有序熵越小，越无序熵越大。

此处熵同样表示图像的信息量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。

它表示了图像中纹理的非均匀程度或复杂程度。

自相关（correlation）：反应了图像纹理的一致性。

如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。

代码：
GLCM.h
#include<iostream>
#include <cassert>
#include <vector>
#include <iterator>
#include <functional>
#include <algorithm>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
typedef vector<vector<int> > VecGLCM;
typedef struct _GLCMFeatures
{
_GLCMFeatures()
: energy(0.0)
, entropy(0.0)
, contrast(0.0)
, idMoment(0.0)
{
}
double energy; // 能量
double entropy; // 熵
double contrast; // 对比度
double idMoment; // 逆差分矩，inverse difference moment
} GLCMFeatures;
class GLCM
{
public:
GLCM();
~GLCM();
public:
// 枚举灰度共生矩阵的方向
enum
{
GLCM_HORIZATION = 0, // 水平
GLCM_VERTICAL = 1, // 垂直
GLCM_ANGLE45 = 2, // 45度角
GLCM_ANGLE135 = 3 // 135度角
};
public:
// 计算灰度共生矩阵
void calGLCM(IplImage* inputImg, VecGLCM& vecGLCM, int angle);
// 计算特征值
void getGLCMFeatures(VecGLCM& vecGLCM, GLCMFeatures& features);
public:
// 初始化灰度共生矩阵
void initGLCM(VecGLCM& vecGLCM, int size = 16);
// 设置灰度划分等级，默认值为16
void setGrayLevel(int grayLevel) { m_grayLevel = grayLevel; }
// 获取灰度等级
int getGrayLevel() const { return m_grayLevel; }
private:
// 计算水平灰度共生矩阵
void getHorisonGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);
// 计算垂直灰度共生矩阵
void getVertialGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);
// 计算45 度灰度共生矩阵
void getGLCM45(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight);
// 计算135 度灰度共生矩阵
void getGLCM135(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight); private:
int m_grayLevel; // 将灰度共生矩阵划分为grayLevel 个等级
};
GLCM.cpp
#include "GLCM.h"
GLCM::GLCM() : m_grayLevel(16)
{
}
GLCM::~GLCM()
{
}
//======================================================================== ======
// 函数名称: initGLCM
// 参数说明: vecGLCM,要进行初始化的共生矩阵,为二维方阵
// size, 二维矩阵的大小,必须与图像划分的灰度等级相等
// 函数功能: 初始化二维矩阵
//======================================================================== ======
void GLCM::initGLCM(VecGLCM& vecGLCM, int size)
{
assert(size == m_grayLevel);
vecGLCM.resize(size);
for (int i = 0; i < size; ++i)
{
vecGLCM[i].resize(size);
}
for (int i = 0; i < size; ++i)
{
for (int j = 0; j < size; ++j)
{
vecGLCM[i][j] = 0;
}
}
}
//======================================================================== ======
// 函数名称: getHorisonGLCM
// 参数说明: src,要进行处理的矩阵,源数据
// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵
// imgWidth, 图像宽度
// imgHeight, 图像高度
// 函数功能: 计算水平方向的灰度共生矩阵
//======================================================================== ======
void GLCM::getHorisonGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight)
{
int height = imgHeight;
int width = imgWidth;
for (int i = 0; i < height; ++i)
{
for (int j = 0; j < width - 1; ++j)
{
int rows = src[i][j];
int cols = src[i][j + 1];
dst[rows][cols]++;
}
}
}
//======================================================================== ======
// 函数名称: getVertialGLCM
// 参数说明: src,要进行处理的矩阵,源数据
// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵
// imgWidth, 图像宽度
// imgHeight, 图像高度
// 函数功能: 计算垂直方向的灰度共生矩阵
//======================================================================== ======
void GLCM::getVertialGLCM(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight)
{
int height = imgHeight;
int width = imgWidth;
for (int i = 0; i < height - 1; ++i)
{
for (int j = 0; j < width; ++j)
{
int rows = src[i][j];
int cols = src[i + 1][j];
dst[rows][cols]++;
}
}
}
//======================================================================== ======
// 函数名称: getGLCM45
// 参数说明: src,要进行处理的矩阵,源数据
// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵
// imgWidth, 图像宽度
// imgHeight, 图像高度
// 函数功能: 计算45度的灰度共生矩阵
//======================================================================== ======
void GLCM::getGLCM45(VecGLCM &src, VecGLCM &dst, int imgWidth, int imgHeight)
{
int height = imgHeight;
int width = imgWidth;
for (int i = 0; i < height - 1; ++i)
{
for (int j = 0; j < width - 1; ++j)
{
int rows = src[i][j];
int cols = src[i + 1][j + 1];
dst[rows][cols]++;
}
}
}
//======================================================================== ======
// 函数名称: getGLCM135
// 参数说明: src,要进行处理的矩阵,源数据
// dst,输出矩阵,计算后的矩阵，即要求的灰度共生矩阵
// imgWidth, 图像宽度
// imgHeight, 图像高度
// 函数功能: 计算135 度的灰度共生矩阵
//======================================================================== ======
void GLCM::getGLCM135(VecGLCM& src, VecGLCM& dst, int imgWidth, int imgHeight)
{
int height = imgHeight;
int width = imgWidth;
for (int i = 0; i < height - 1; ++i)
{
for (int j = 1; j < width; ++j)
{
int rows = src[i][j];
int cols = src[i + 1][j - 1];
dst[rows][cols]++;
}
}
}
//======================================================================== ======
// 函数名称: calGLCM
// 参数说明: inputImg,要进行纹理特征计算的图像,为灰度图像
// vecGLCM, 输出矩阵,根据灰度图像计算出的灰度共生阵
// angle,灰度共生矩阵的方向,有水平、垂直、45度、135度四个方向
// 函数功能: 计算灰度共生矩阵
//======================================================================== ======
void GLCM::calGLCM(IplImage* inputImg, VecGLCM& vecGLCM, int angle)
{
assert(inputImg->nChannels == 1);
IplImage* src = NULL;
src = cvCreateImage(cvGetSize(inputImg), IPL_DEPTH_32S, inputImg->nChannels);
cvConvert(inputImg, src);
int height = src->height;
int width = src->width;
int maxGrayLevel = 0;
// 寻找最大像素灰度最大值
for (int i = 0; i < height; ++i)
{
for (int j = 0; j < width; ++j)
{
int grayVal = cvGetReal2D(src, i, j);
if (grayVal > maxGrayLevel)
{
maxGrayLevel = grayVal;
}
}
}// end for i
++maxGrayLevel;
VecGLCM tempVec;
// 初始化动态数组
tempVec.resize(height);
for (int i = 0; i < height; ++i)
{
tempVec[i].resize(width);
}
if (maxGrayLevel > 16)//若灰度级数大于16，则将图像的灰度级缩小至16级，减小灰度共生矩阵的大小。

{
for (int i = 0; i < height; ++i)
{
for (int j = 0; j < width; ++j)
{
int tmpVal = cvGetReal2D(src, i, j);
tmpVal /= m_grayLevel;
tempVec[i][j] = tmpVal;
}
}
if (angle == GLCM_HORIZATION) // 水平方向
getHorisonGLCM(tempVec, vecGLCM, width, height);
if (angle == GLCM_VERTICAL) // 垂直方向
getVertialGLCM(tempVec, vecGLCM, width, height);
if (angle == GLCM_ANGLE45) // 45 度灰度共生阵
getGLCM45(tempVec, vecGLCM, width, height);
if (angle == GLCM_ANGLE135) // 135 度灰度共生阵
getGLCM135(tempVec, vecGLCM, width, height);
}
else//若灰度级数小于16，则生成相应的灰度共生矩阵
{
for (int i = 0; i < height; ++i)
{
for (int j = 1; j < width; ++j)
{
int tmpVal = cvGetReal2D(src, i, j);
tempVec[i][j] = tmpVal;
}
}
if (angle == GLCM_HORIZATION) // 水平方向
getHorisonGLCM(tempVec, vecGLCM, width, height);
if (angle == GLCM_VERTICAL) // 垂直方向
getVertialGLCM(tempVec, vecGLCM, width, height);
if (angle == GLCM_ANGLE45) // 45 度灰度共生阵
getGLCM45(tempVec, vecGLCM, width, height);
if (angle == GLCM_ANGLE135) // 135 度灰度共生阵
getGLCM135(tempVec, vecGLCM, width, height);
}
cvReleaseImage(&src);
}
//======================================================================== ======
// 函数名称: getGLCMFeatures
// 参数说明: vecGLCM, 输入矩阵,灰度共生阵
// features,灰度共生矩阵计算的特征值,主要包含了能量、熵、对比度、逆差分矩
// 函数功能: 根据灰度共生矩阵计算的特征值
//======================================================================== ======
void GLCM::getGLCMFeatures(VecGLCM& vecGLCM, GLCMFeatures& features)
{
int total = 0;
for (int i = 0; i < m_grayLevel; ++i)
{
for (int j = 0; j < m_grayLevel; ++j)
{
total += vecGLCM[i][j]; // 求所有图像的灰度值的和
}
}
vector<vector<double> > temp;
temp.resize(m_grayLevel);
for (int i = 0; i < m_grayLevel; ++i)
{
temp[i].resize(m_grayLevel);
}
// 归一化
for (int i = 0; i < m_grayLevel; ++i)
{
for (int j = 0; j < m_grayLevel; ++j)
{
temp[i][j] = (double)vecGLCM[i][j] / (double)total;
}
}
for (int i = 0; i < m_grayLevel; ++i)
{
for (int j = 0; j < m_grayLevel; ++j)
{
features.energy += temp[i][j] * temp[i][j];
if (temp[i][j]>0)
features.entropy -= temp[i][j] * log(temp[i][j]); //熵
features.contrast += (double)(i - j)*(double)(i - j)*temp[i][j]; //对比度
features.idMoment += temp[i][j] / (1 + (double)(i - j)*(double)(i - j));//逆差矩}
}
}
main.cpp
#include "GLCM.h"
#include <string>
void getFileName();
string names[2000];
char data[20];
const string filename = "C:\\Users\\ltc\\Desktop\\data5\\Sobel\\数值处理\\背景\\";
int main()
{
fstream finout1("data.txt", ios::in | ios::out|ios::trunc);
getFileName();
int i = 0;
char data1[20];
while (names[i].length() > 5){
strcpy_s(data1, names[i].c_str());
string imagename = data1;
//灰度共生矩阵
IplImage* img = cvLoadImage(data1, 0);
cvSetImageROI(img, cvRect(1453, 1149,557, 557));
/*cvNamedWindow("ShowSRC");
cvShowImage("ShowSRC",img);
cvWaitKey(0); */
GLCM glcm;
VecGLCM vec;
GLCMFeatures features;
glcm.initGLCM(vec);
// 水平
glcm.calGLCM(img, vec, GLCM::GLCM_HORIZATION);
glcm.getGLCMFeatures(vec, features);
double energy_hor = features.energy;
double entropy_hor = features.entropy;
double contrast_hor = features.contrast;
double idMoment_hor = features.idMoment;
// 垂直
glcm.calGLCM(img, vec, GLCM::GLCM_VERTICAL);
glcm.getGLCMFeatures(vec, features);
double energy_vetical = features.energy;
double entropy_vetical = features.entropy;
double contrast_vetical = features.contrast;
double idMoment_vetical = features.idMoment;
// 45 度
glcm.calGLCM(img, vec, GLCM::GLCM_ANGLE45);
glcm.getGLCMFeatures(vec, features);
double energy_45 = features.energy;
double entropy_45 = features.entropy;
double contrast_45 = features.contrast;
double idMoment_45 = features.idMoment;
// 135 度
glcm.calGLCM(img, vec, GLCM::GLCM_ANGLE135);
glcm.getGLCMFeatures(vec, features);
double energy_135 = features.energy;
double entropy_135 = features.entropy;
double contrast_135 = features.contrast;
double idMoment_135 = features.idMoment;
double energy_average = (energy_135 + energy_45 + energy_hor + energy_vetical) / 4;
double entropy_average = (entropy_135 + entropy_45 + entropy_hor + entropy_vetical) / 4;
double contrast_average = (contrast_135 + contrast_45 + contrast_hor + contrast_vetical) / 4;
double idMoment_average = (idMoment_135 + idMoment_45 + idMoment_hor + idMoment_vetical) / 4;
cout<< energy_average<<" " <<entropy_average <<" "<< contrast_average<<" " << idMoment_average << endl;
finout1 << energy_average<<" " <<entropy_average <<" "<< contrast_average<<" " << idMoment_average << endl;
i++;
}
system("pause");
return 0;
}
void getFileName(){
fstream finout("C:\\Users\\ltc\\Desktop\\data5\\FILENAME.TXT", ios::in | ios::out);
ostringstream outstr;
if (finout.is_open()){
finout.seekg(0);
int i = 0;
while (finout.getline(data, 19)){
outstr << data;
names[i] = outstr.str();
//cout <<setw(30)<<i<<setw(30)<<names[i]<<'\n';
i++;
outstr.str("");
}
}
else
cout << "failed" << endl;
}。