目录

1 灰度共生矩阵原理

2 灰度共生矩阵特征量

2.1 对比度

2.2 能量

2.3 熵

2.4 逆方差

2.5 相关性

3 灰度共生矩阵特征量提取代码

---

1 灰度共生矩阵原理

      灰度共生矩阵，指的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。1973年Haralick等人提出了用灰度共生矩阵来描述纹理特征。

       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。

       灰度共生矩阵被定义为从灰度为 i 的像素点出发，离开某个固定位置（相隔距离为d，方位为0°/45°/90°/135°）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量：即：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。下图显示了如何求解灰度共生矩阵。看概念也是有点难理解，具体过程也可看B站视频讲解（影像组学之radiomics 提取特征的意义（2）_哔哩哔哩_bilibili）

2 灰度共生矩阵特征量

2.1 对比度

       度量 矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊。

2.2 能量

       能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近，则能量较小，表示纹理细致；若其中一些值大，而其它值小，则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。

2.3 熵

       图像包含信息量的随机性度量。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；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。

2.4 逆方差

       逆方差反映了图像纹理局部变化的大小，若图像纹理的不同区域间较均匀，变化缓慢，逆方差会较大，反之较小。

2.5 相关性

       用来度量图像的灰度级在行或列方向上的相似程度，因此值得大小反应了局部灰度相关性，值越大，相关性也越大。

3 灰度共生矩阵特征量提取代码

以下代码提取了灰度共生矩阵的7个特征量：

# =============灰度共生矩阵========================
'''
灰度共生矩阵是像素距离和角度的矩阵函数，
它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，
来反映图像在方向、间隔、变化幅度及快慢上的综合信息。
'''
import numpy as np
import cv2
import math
from matplotlib import pyplot as plt

#定义最大灰度级数
gray_level = 16

def maxGrayLevel(img):
    max_gray_level=0
    (height,width)=img.shape
    print ("图像的高宽分别为：height,width",height,width)
    for y in range(height):
        for x in range(width):
            if img[y][x] > max_gray_level:
                max_gray_level = img[y][x]
    print("max_gray_level:",max_gray_level)
    return max_gray_level+1

def getGlcm(input,d_x,d_y):
    srcdata=input.copy()
    ret=[[0.0 for i in range(gray_level)] for j in range(gray_level)]
    (height,width) = input.shape

    max_gray_level=maxGrayLevel(input)
    #若灰度级数大于gray_level，则将图像的灰度级缩小至gray_level，减小灰度共生矩阵的大小
    if max_gray_level > gray_level:
        for j in range(height):
            for i in range(width):
                srcdata[j][i] = srcdata[j][i]*gray_level / max_gray_level

    if d_x >= 0 or d_y >= 0:
        for j in range(height-d_y):
            for i in range(width-d_x):
                rows = srcdata[j][i]
                cols = srcdata[j + d_y][i+d_x]
                ret[rows][cols]+=1.0
    else:
        for j in range(height):
            for i in range(width):
                rows = srcdata[j][i]
                cols = srcdata[j + d_y][i + d_x]
                ret[rows][cols] += 1.0
    for i in range(gray_level):
        for j in range(gray_level):
            ret[i][j]/=float(height*width)

    return ret

def feature_computer(p):
    #mean:均值
    #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。
    #Auto_correlation：相关性
    mean=0.0
    Con=0.0
    Eng=0.0
    Asm=0.0
    Idm=0.0
    Auto_correlation=0.0
    std2=0.0
    std=0.0
    for i in range(gray_level):
        for j in range(gray_level):
            mean+=p[i][j]*i/gray_level**2
            Con+=(i-j)*(i-j)*p[i][j]
            Asm+=p[i][j]*p[i][j]
            Idm+=p[i][j]/(1+(i-j)*(i-j))
            Auto_correlation+=p[i][j]*i*j
            if p[i][j]>0.0:
                Eng+=p[i][j]*math.log(p[i][j])
        for i in range(gray_level):
            for j in range(gray_level):
                std2+=(p[i][j]*i-mean)**2
        std=np.sqrt(std2)
    return mean,Asm,Con,-Eng,Idm,Auto_correlation,std

def test(image_name):
    img = cv2.imread(image_name)
    try:
        img_shape=img.shape
    except:
        print ('imread error')
        return

    #这里如果用‘/’会报错TypeError: integer argument expected, got float
    #其实主要的错误是因为 因为cv2.resize内的参数是要求为整数
    img=cv2.resize(img,(img_shape[1]//2,img_shape[0]//2),interpolation=cv2.INTER_CUBIC)
    #img = cv2.resize(img, dsize=(1000, 1000))
    print(img.shape)
    img_gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    glcm_0=getGlcm(img_gray, 1,0)
    #glcm_1=getGlcm(img_gray, 0,1)
    #glcm_2=getGlcm(src_gray, 1,1)
    #glcm_3=getGlcm(src_gray, -1,1)
    #print(glcm_0)
    plt.imshow(glcm_0)
    plt.show()

    mean,asm,con,eng,idm,Auto_correlation,std=feature_computer(glcm_0)

    return [mean,asm,con,eng,idm,Auto_correlation,std]

if __name__=='__main__':
    result1_3=test("./photo/2-5-1250.bmp")

参考来源：影像组学之radiomics 提取特征的意义（2）_哔哩哔哩_bilibili

灰度共生矩阵（超简单理解）_hello~bye~的博客-CSDN博客_灰度共生矩阵

灰度共生矩阵（附python代码）_hello~bye~的博客-CSDN博客_python 灰度共生矩阵