基于灰度共生矩阵的图像二阶统计纹理特征提取系统

资 源 简 介

本项目旨在MATLAB环境中利用灰度共生矩阵（GLCM）算法实现对图像纹理特征的深度提取。该项目通过计算图像中像素对在特定方向（如0°、45°、90°、135°）和距离上的灰度联合概率分布，构建灰度共生矩阵，从而反映图像在方向、间隔、变化幅度及快慢上的综合信息。系统首先对输入图像进行灰度化处理和灰度级压缩（量化），以减少计算复杂度并提高噪声鲁棒性。随后，根据GLCM矩阵计算出一系列二阶统计特征量，核心指标包括能量（Energy/ASM，反映纹理均匀程度）、对比度（Contrast，反映纹理沟纹深浅）、相关性（Correlation，反映局部灰度相关性）、同质性（Homogeneity，反映纹理局部变化）以及熵（Entropy，反映纹理复杂程度）。该代码模块支持自定义偏移量参数，适用于医学影像分析、遥感地物分类、工业表面缺陷检测以及生物特征识别等多种需要纹理量化描述的应用场景。

详 情 说 明

基于灰度共生矩阵的图像二阶统计纹理特征提取系统

项目介绍

本项目是一个基于MATLAB环境开发的图像纹理分析系统。它利用灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）算法，深入挖掘图像的二阶统计纹理特征。系统通过计算图像像素在一阶距离上的灰度联合概率分布，能够有效量化图像在特定方向（0°、45°、90°、135°）上的纹理粗细、沟纹深浅以及局部灰度变化。

该系统集成了图像预处理、灰度级压缩、矩阵构建、特征计算以及多维度的结果可视化功能，适用于需要对图像纹理进行定量描述的场景，如医学影像分析、材料表面检测及遥感图像处理。

功能特性

• 智能图像预处理：自动加载演示图像，支持彩色图像自动转灰度，若未找到图像则具备生成随机噪声纹理用于演示的容错机制。
• 灰度级量化（压缩）：内置自定义量化算法，将原始256级灰度图像压缩至16级，有效降低GLCM计算复杂度并增强对噪声的鲁棒性。
• 多方向GLCM构建：支持计算四个标准方向（0°、45°、90°、135°）的对称灰度共生矩阵，步长距离默认为1像素。
• 五大核心纹理特征：基于归一化后的概率矩阵，精确计算以下五种二阶统计特征：

* 能量 (Energy/ASM)：反映纹理的均匀程度和规则性。 * 对比度 (Contrast)：反映纹理沟纹的深浅及图像的清晰度。 * 相关性 (Correlation)：衡量空间中灰度分布的线性相关程度。 * 同质性 (Homogeneity)：反映图像纹理局部的均匀性和变化幅度。 * 熵 (Entropy)：量化图像包含的信息量及纹理的随机复杂程度。

• 全方位可视化：

* 原始图像与量化图像的对比展示。 * 各方向GLCM矩阵的热力图可视化，直观展示概率分布。 * 各纹理特征随方向变化的统计柱状图及综合均值分析。

系统要求

• MATLAB R2014b 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 将项目代码保存至MATLAB当前工作路径。
2. 确保工作路径下存在待分析的图像文件（代码默认尝试读取系统内置的 peppers.png，也可根据需要修改代码中的读取路径）。
3. 直接运行主程序脚本。
4. 系统将在命令窗口输出各方向的具体特征数值表，并弹出三个图窗分别展示预处理结果、GLCM热力图及特征统计图。

实现细节与算法分析

本项目的主程序严格遵循以下逻辑流程实现纹理特征提取，确保了计算过程的准确性和可复现性。

1. 图像加载与预处理机制

程序首先清理工作区，并尝试读取图像。采用 try-catch 结构，若读取失败会自动生成256x256的随机噪声图像，保证程序不中断。针对彩色图像，使用 rgb2gray 转换为灰度图。 随后，调用自定义量化函数，通过线性映射将0-255的像素值映射到1-16的离散区间。这一步极大地减少了GLCM矩阵的尺寸（从256x256减少到16x16），显著提升计算效率。

2. GLCM 矩阵构建

程序定义了四个方向的偏移量（Offsets）：

• 0°：[0, 1]（水平向右）
• 45°：[-1, 1]（右上方）
• 90°：[-1, 0]（垂直向上）
• 135°：[-1, -1]（左上方）

在循环中，程序调用MATLAB内置函数计算指定方向和灰度级（16级）的共生矩阵，并强制开启 Symmetric（对称）选项，即同时考虑了(i, j)和(j, i)的共生关系，使统计结果更具代表性。计算出的原始矩阵随后除以其元素总和，归一化为概率矩阵 $P(i,j)$。

3. 特征提取算法

特征计算是本项目的核心，由辅助函数基于归一化GLCM矩阵手动实现，不依赖黑盒函数，具体逻辑如下：

• 索引网格构建：利用 meshgrid 生成行索引矩阵 $r$ (对应i) 和列索引矩阵 $c$ (对应j)，用于后续的向量化计算。
• 能量 (Energy)：计算矩阵所有元素平方和 ($sum P_{ij}^2$)。
• 对比度 (Contrast)：计算主对角线距离权重的矩 ($sum (i-j)^2 P_{ij}$)，实际上惩罚了远离对角线的元素，即灰度差异大的像素对。
• 相关性 (Correlation)：首先计算行、列的均值 ($mu_r, mu_c$) 和标准差 ($sigma_r, sigma_c$)，然后计算协方差并归一化。代码中特别处理了标准差乘积为0的情况，防止除零错误。
• 同质性 (Homogeneity)：计算反距离权重 ($sum frac{P_{ij}}{1+|i-j|}$)，当元素集中在对角线时值最大。
• 熵 (Entropy)：计算香农熵 ($-sum P_{ij} log_{10}(P_{ij})$)。为了数值稳定性，代码在对数计算中加入了极小值 eps，防止对0取对数导致的NaN错误。

4. 结果可视化

• 图窗1：展示原图与量化后的图像。量化图像显示时指定了范围 [1 16]，以便正确映射颜色。
• 图窗2：使用 imagesc 绘制4个方向GLCM的热力图，并应用 parula 色图，横纵坐标对应灰度级索引。
• 图窗3：利用柱状图展示5个特征在4个方向上的数值分布，并额外增加了一个子图展示各特征的均值（经过Log10处理以平衡不同特征的数量级差异），便于直观比较。