灰度共生矩阵：Gray-Level Co-occurrence Matrix

最新推荐文章于 2021-10-26 16:03:19 发布

原创

最新推荐文章于 2021-10-26 16:03:19 发布 · 3.7k 阅读

灰度共生矩阵（GLCM）是一种用于图像处理的统计工具，它通过计算像素对的联合概率分布来反映图像的纹理特征。GLCM不仅考虑像素的灰度值，还考虑它们的位置关系，提供了14种统计量如能量、熵、对比度等。通过选择不同的距离差分值，可以获取不同方向和间隔的信息。GLCM在图像分析中用于提取局部模式和排列规则，对于图像特征提取和纹理识别具有重要意义。

定义

灰度共生矩阵一开始是为了解决图像处理中的问题的。具体定义如下：用图片上两个位置的像素的联合概率分布进行定义，不仅能反应亮度的分布特征，也反应具有同样亮度或者接近亮度像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。

衍生出这一理论的原因是：在图像中，纹理是由灰度在空间位置上反复出现而形成的，因而在图像空间中，某个距离的两像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

灰度直方图是对图像上单个像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像素分别具有某灰度的状况进行统计得到的。

通俗的说，灰度共生矩阵是一种数字的组合，专门用于计算各种统计量：图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。

数学定义

选取图像中 $N\times N$ 中任意一点 $(x, y)$ 及偏离它的另一点 $(x + a, y + b)$ ，这两点的灰度值假设为 $g_1, g_2)$ 。令点 $(x, y)$ 在整个画面上移动，则会得到各种 $g_1,g_2)$ 的值，设灰度值的级数为 $k$ ，则 $g_1,g_2)$ 出现的总次数将其归一化为出现概率 $P(g_1, g_2)$