保姆级别教程，获取图片的Glcm和基于Glcm的纹理特征,附讲解思路,python代码的实现
网络上Glcm的原理很多,但是实现的python代码我确实没找到,讲的也不是很清楚
此文介绍了如何在一张图片中得到Glcm灰度共生矩阵,并基于Glcm的特征提取.带每一步的讲解
1.opencv 读取图片 调用库cv2
2.调用skimage 的feature文件中的greycomatrix, greycoprops函数
3.将图片划分为 8个等级的灰度共生矩阵
4.依据灰度共生矩阵获得图片的特征量
import numpy as np
from skimage.feature import greycomatrix, greycoprops
import cv2
import os
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=16) #导入本地汉字字库,pyplot显示中文
1.测试greycomatrix函数 256阶 化为 8个等级
gray = np.random.randint(0,255,(10,10))
gray,gray.shape
'''将图片的256阶化为 8个等级'''
gray_8 = (gray/32).astype(np.int32)
gray,gray_8
(array([[ 46, 221, 101, 155, 36, 46, 192, 102, 140, 197],
[213, 47, 202, 246, 120, 204, 201, 131, 202, 1],
[117, 52, 230, 225, 23, 249, 215, 154, 216, 225],
[ 19, 218, 26, 92, 77, 209, 165, 206, 195, 17],
[ 93, 116, 12, 82, 130, 225, 195, 172, 249, 39],
[ 20, 41, 204, 144, 37, 186, 25, 47, 54, 100],
[245, 238, 100, 91, 143, 243, 229, 180, 71, 190],
[175, 0, 62, 218, 173, 154, 80, 51, 233, 28],
[ 98, 115, 254, 52, 165, 250, 147, 237, 47, 246],
[126, 156, 246, 39, 140, 119, 25, 242, 1, 198]]),
array([[1, 6, 3, 4, 1, 1, 6, 3, 4, 6],
[6, 1, 6, 7, 3, 6, 6, 4, 6, 0],
[3, 1, 7, 7, 0, 7, 6, 4, 6, 7],
[0, 6, 0, 2, 2, 6, 5, 6, 6, 0],
[2, 3, 0, 2, 4, 7, 6, 5, 7, 1],
[0, 1, 6, 4, 1, 5, 0, 1, 1, 3],
[7, 7, 3, 2, 4, 7, 7, 5, 2, 5],
[5, 0, 1, 6, 5, 4, 2, 1, 7, 0],
[3, 3, 7, 1, 5, 7, 4, 7, 1, 7],
[3, 4, 7, 1, 4, 3, 0, 7, 0, 6]]))
函数详解：包含主要4个参数 图片,距离(需要为列表),角度(列表),灰度等级
greycomatrix(image, distances, angles, levels=None, symmetric=False,
normed=False)
symmetric :
如果为真，则输出矩阵P[:, :, d, theta]是对称的。这一点是通过忽略数值对的顺序来实现的.
normed:
如果是 “真”，则对每个矩阵P[:, :, d, theta]进行规范化处理，方法是将其除以
除以给定偏移量的累计共现总数。
偏移量。所得矩阵的元素之和为1。
默认为假.
传参要求
：greycomatrix(image, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4],
… levels=4
levels:级别数应该大于图像中的最大灰度值.
返回值：
P : 4-D ndarray
The grey-level co-occurrence histogram. The value
P[i,j,d,theta] is the number of times that grey-level j
occurs at a distance d and at an angle theta from
grey-level i. If normed is False, the output is of
type uint32, otherwise it is float64. The dimensions are:
levels x levels x number of distances x number of angles.
如下,调用灰度共生矩阵,传入参数,获得一个8灰阶的 8x8灰度共生矩阵
距离[1] 角度[0]
Glcm = greycomatrix(gray_8,[1],[0],levels=8)
Glcm_1 = Glcm.squeeze()
Glcm_1.shape,Glcm_1
((8, 8),
array([[0, 3, 2, 0, 0, 0, 2, 2],
[0, 2, 0, 1, 1, 2, 5, 3],
[0, 1, 1, 1, 2, 1, 1, 0],
[2, 1, 1, 1, 3, 0, 1, 1],
[0, 2, 1, 1, 0, 0, 3, 4],
[2, 0, 1, 0, 1, 0, 1, 2],
[3, 1, 0, 2, 3, 3, 2, 2],
[3, 4, 0, 2, 1, 1, 2, 3]], dtype=uint32))
{‘contrast’, ‘dissimilarity’,
‘homogeneity’, ‘energy’, ‘correlation’, ‘ASM’}
也就是一个Glcm 矩阵会 得到一个值
temp = greycoprops(Glcm,'ASM')
temp.shape,temp
((1, 1), array([[0.02691358]]))
def cut_img_step(img,step): # 每个块大小为20x20
'''传入Gray 图片与 step'''
new_img = [] #240x240
for i in np.arange(0, img.shape[0] + 1, step):
for j in np.arange(0, img.shape[1] + 1, step):
if i + step <= img.shape[0] and j + step <= img.shape[1]:
new_img.append(img[i:i + step, j:j + step])
new_img = np.array(new_img, dtype=np.int32)
return new_img
好了,正式开始获取一张图片的Glcm 纹理
pwd = os.getcwd()
pwd
'D:\\_py项目文件夹\\ML-opencv-sklearn\\machine-book\\特征算子学习'
img = cv2.imread(r"../figures/guangzhou tower.jpg",cv2.IMREAD_GRAYSCALE)
'''将原图片的256阶化为 64个等级'''
level = 64
scale_data = 256/level
img_64= (img / scale_data).astype(np.int32)
plt.subplot(211)
plt.imshow(img,cmap='gray')
plt.title("256阶 675x1200",fontproperties=font)
plt.axis("off")
plt.subplot(212)
plt.imshow(img_64,cmap='gray')
plt.title("64阶 675x1200",fontproperties = font)
plt.axis("off")
plt.show()
如上图所示,我们使用了一张广州塔的图片,图片
Height, width
(675,1200)
这里要注意：
Float images are not supported by greycomatrix. Convert the image to an unsigned integer type.
opencv 读取图片会是float32这里需要将img_64 转为uint8类型
'''获取整张图片的Glcm纹理 4个方向 0-》3/4 pi,64阶'''
img_glcm64 = greycomatrix(img_64, [1], [0, np.pi / 4, np.pi / 2, 3 * np.pi / 4], levels=level)
'''将四个灰度共生矩阵对应相加后取
平均数得到影像的综合灰度共生矩阵'''
mean = []
for g_level1 in img_glcm64:
for g_level2 in g_level1:
for i in g_level2:
mean.append(np.mean(i))
mean = np.array(mean)
'''Glcm_new 中保存了原图的Glcm4个方向的平均值'''
Glcm_new = mean.reshape(( level, level,1,1))# 后两个参数为步长数，方向数，计算特征需要
plt.subplot(211)
plt.imshow(img_64,cmap='gray')
plt.title("64阶 675x1200",fontproperties=font)
plt.axis("off")
plt.subplot(212)
plt.imshow(Glcm_new.reshape(level,level),cmap='gray')
plt.title("64阶Glcm 64x64",fontproperties = font)
plt.axis("off")
plt.show()
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.
如上图,由于glcm 是一个统计量,如果我们使用pyplot 来显示图片,那么这个图片的信息实际是蕴含了一个三维的信息
[x轴,y轴,z轴],z轴是一个亮度值,x,y告诉我们位置信息
故而我们可以由这个统计的glcm分析得知,数据主要在主对角线上,也就说明
距离为1,原图4个方向上 有灰度对(x,x)的像素占绝大多少
依据Glcm提取这张图片的特征信息：
{‘contrast’, ‘dissimilarity’, ‘homogeneity’, ‘energy’, ‘correlation’, ‘ASM’}
'''注意greycoprops的传参要求 glcm 需要为[i,j,d,theta] '''
features = []
for prop in {'contrast', 'dissimilarity', 'homogeneity', 'energy', 'correlation', 'ASM'}:
features.append(greycoprops(Glcm_new, prop))#
features
[array([[0.0107847]]),
array([[1.20763164]]),
array([[0.10384942]]),
array([[11.31592761]]),
array([[0.7139315]]),
array([[0.96871746]])]
此时我们提取了这张图片,基于glcm 的特征
提取特征后,可以使用svm支持向量机来进行分类或者其他工作
如果说觉得一张图片只是取6个特征值有点少,那咱们也可以通过其他操作来增加特征的维度
1.通过分割图片.获取特征
2.通过特征融合增加其他特征,例如灰度值
以下分享一些自己造的一些轮子
def get_glcm_sixFeature(IMG_gray): # 传入灰度图像
input = IMG_gray # 读取图像，灰度模式
# 得到共生矩阵，参数：图像矩阵，距离，方向，灰度级别，是否对称，是否标准化
glcm = greycomatrix(input,
[1,2],
[0, np.pi / 4, np.pi / 2, np.pi * 3 / 4],
levels=256, symmetric=True,
normed=True) # 100x100 -> 3x4
# 得到共生矩阵统计值，官方文档
# http://tonysyu.github.io/scikit-image/api/skimage.feature.html#skimage.feature.greycoprops
feature = []
feature_descrip = {'contrast', 'dissimilarity',
'homogeneity', 'energy', 'correlation', 'ASM'}
for prop in {'contrast', 'correlation',
'ASM','homogeneity' }:
temp = greycoprops(glcm, prop)
feature.append(temp)
return np.array(feature), glcm
def get_gray_feature(Imgs,step= 25):
'''格式要求 （x灰度图像二维，100，100）'''
print(f"Imgs shape is {Imgs.shape}") #
Imgs_number = Imgs.shape[0]
Gray_feature_num = int((Imgs.shape[1] /step)**2)
Avg_gray = []
for img in Imgs:
cut = cut_img_step(img,step)
for patch in cut: # 每张图4个patch
Avg_gray.append(np.mean(patch))
Avg_gray = np.array(Avg_gray)
Avg_gray = Avg_gray.reshape(Imgs_number, Gray_feature_num)
print(f'Avg_gray shape ：{Avg_gray.shape}')
return Avg_gray
其他文章
Sober算子边缘检测与Harris角点检测1
HOG特征+SVM 进行行人检测,带源码，异常处理
线性回归预测波士顿房价