基于灰度共生矩阵的图像纹理特征提取系统

资 源 简 介

本项目主要实现对图像灰度共生矩阵（GLCM）的构建、归一化处理以及核心纹理特征参数的提取。程序首先读取待处理图像并将其转换为指定的灰度级空间，随后根据预设的距离和角度参数统计像素空间相关性，生成原始的灰度共生矩阵。通过将矩阵中的每个元素除以总频数，实现共生矩阵的归一化，使其符合概率分布特性。基于归一化后的概率矩阵，系统利用数学算子分别计算四个关键纹理参数：能量（反映图像纹理的粗细和均匀程度）、熵（反映图像信息的丰富度及复杂随机性）、惯性矩（又称对比度，反映图像边缘的清晰度和纹理深浅）、相关（反映灰度共生矩阵在行或列方向上的线性相关性，体现纹理的规律性）。该项目可用于医学辅助诊断、遥感测绘、产品表面质量检测等多种需要纹理定量分析的场景，为后续的分类器训练或图像识别提供精确的特征描述。

详 情 说 明

基于灰度共生矩阵的图像纹理特征提取与分析系统

项目介绍

本项目是一套用于通过灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）提取图像纹理特征的分析系统。纹理是图像的一种重要属性，反映了像素灰度在空间位置上的分布规律。本系统通过统计特定距离和方向上像素对的共生频数，构建概率分布矩阵，并从中提取关键的数学特征，从而实现对图像纹理粗细、均匀程度、对比度及规律性的定量描述。该系统适用于医学影像诊断、遥感图像分析及工业产品表面缺陷检测等领域。

功能特性

• 多级灰度量化：支持将图像灰度级进行压缩，以减少计算量并突出主要的纹理结构。
• 多方向分析：系统能够同时在 0°、45°、90° 以及 135° 四个关键方向进行纹理统计。
• 对称化与归一化：通过对称处理增强矩阵的稳定性，并进行归一化处理使其符合概率分布特性。
• 核心特征提取：精准计算能量、熵、惯性矩（对比度）和相关性四个核心特征参数。
• 直观可视化：提供原始图像展示、各方向 GLCM 热力图分布以及特征统计趋势图。
• 数值报告：自动生成结构化的特征分析统计表，包含各方向的具体数值及综合均值。

使用方法

1. 环境准备：确保安装了 MATLAB 运行环境。
2. 数据放置：程序默认读取内置的测试图像，如需处理特定图像，需将图像路径配置到读取函数中。
3. 运行程序：在 MATLAB 命令行窗口运行入口脚本函数。
4. 结果查看：

- 查看弹出的图形窗口，左侧为原图，中间为四个方向的 GLCM 概率分布热图，右侧为特征对比柱状图。 - 查看命令行输出的统计表格，获取详细的特征数值分析。

系统要求

• 操作系统：Windows, macOS 或 Linux
• 软件平台：MATLAB R2016b 及以上版本
• 依赖工具箱：Image Processing Toolbox（图像处理工具箱）

实现逻辑与功能说明

系统的实现严格遵循纹理分析的经典数学模型，主要流程包括：

• 参数初始化：预设灰度级为 16 级，像素位移步长为 1，扫描角度定义为四个方向。
• 图像预处理：系统将输入的彩色或灰度图像进行 double 类型转换，并根据预设级数进行线性量化。通过将 256 级灰度映射到 1-16 范围，有效过滤噪声并减小共生矩阵的维度。
• 核心计算循环：系统通过循环遍历指定的四个方向角度。在每个角度下，首先调用共生矩阵构建算法统计像素对，然后将矩阵与其转置相加实现对称化，最后除以总元素和得到归一化概率矩阵。
• 特征计算实现：

- 能量（Energy）：计算归一化矩阵中所有元素的平方和，数值越大代表纹理越均匀、越粗。 - 熵（Entropy）：基于信息论公式计算，通过对非零概率元素进行对数求和，反映纹理的随机性和复杂程度。 - 惯性矩（Contrast）：利用像素值的差平方作为权重进行加权求和，反映图像边缘的清晰度和纹理深浅。 - 相关性（Correlation）：计算行和列的均值与方差，衡量灰度共生矩阵在空间上的线性相关性。

• 综合分析与绘图：系统在循环结束后，计算四个方向特征的均值作为综合描述符，并利用条形图直观展示各特征在不同角度下的变化趋势。

关键算法与实现细节分析

• GLCM 构建算法：

该算法通过定义的偏移量（dx, dy）查找邻域像素。针对不同角度，偏移量的选择严格遵循：0°(1, 0)、45°(1, -1)、90°(0, -1)、135°(-1, -1)。在遍历过程中，程序包含严格的边界检查逻辑，确保坐标不超出图像范围。

• 对称化处理：

算法在统计完原始频数后执行 glcm = glcm + glcm'。这一步确保了 (i, j) 与 (j, i) 的统计机会均等，使得得到的矩阵不仅反映了物体间的空间位置关系，且不依赖于遍历的起始方向。

• 数值稳定性：

在计算熵特征时，算法采用了 p(p > 0) 的逻辑来排除概率为零的元素，从而有效避免了在计算 log2 时可能出现的数学错误或无穷大数值。

• 相关性计算精度：

相关性特征的实现并未简单调用内置函数，而是通过手动计算边缘分布（px, py）、一阶矩（mux, muy）和二阶矩（sigmax, sigmay）来完成，这确保了算法在不同灰度量化级下均能保持极高的计算精度。