基于GLCM与K-Means的纹理图像分割系统

资 源 简 介

本项目实现了一个基于MATLAB的高级图像分割工具，专门用于解决基于颜色阈值无法区分的纹理图像分割问题。核心流程包括图像预处理、纹理特征提取和无监督聚类分割。首先，系统将输入的彩色或灰度图像进行标准化处理。接着，采用滑动窗口（Sliding Window）机制遍历图像的每一个像素点，针对每个窗口区域计算灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）。基于生成的GLCM，系统提取出能够表征纹理特性的关键统计量，包括能量（Energy）、对比度（Contrast）、相关性（Correlation）和同质性（Homogeneity），从而将原始图像转化为多通道的纹理特征图。最后，利用K-Means聚类算法对这些高维特征向量进行迭代优化分类，将具有相似纹理结构的像素归为同一类，生成最终的分割掩膜。该方案不仅实现了纹理区域的自动化提取，还提供了可视化的分割结果对比，适用于遥感图像分析、医学组织切片分割以及工业表面纹理检测等场景。

详 情 说 明

基于GLCM与K-Means的纹理图像分割系统

项目介绍

本项目实现了一个基于MATLAB的高级图像分割工具，专门针对单纯依靠颜色或灰度阈值难以分割的复杂纹理图像。系统通过计算灰度共生矩阵（GLCM）提取局部纹理特征，并结合K-Means聚类算法实现无监督的图像分割。

该方案模拟了完整的计算机视觉处理流程，从合成数据的生成、图像预处理、滑动窗口特征提取、多维特征聚类到最终的形态学优化与可视化展示。它通过分析图像局部的统计特性（如对比度、能量等），能够有效区分具有不同表面结构的区域。

功能特性

• 合成纹理数据生成：内置自动化脚本，可生成包含随机噪声、垂直条纹、棋盘格和网格纹理的测试图像，用于算法验证。
• 图像增强与量化：包含直方图均衡化以增强对比度，并执行灰度级量化（降至16级）以优化计算效率。
• 滑动窗口特征提取：采用13x13的滑动窗口遍历图像，捕捉局部纹理细节。
• 旋转不变性GLCM：综合计算水平、垂直及两个对角线方向（0°, 45°, 90°, 135°）的共生矩阵，确立特征的旋转不变性。
• 多维纹理特征构建：提取对比度（Contrast）、相关性（Correlation）、能量（Energy）和同质性（Homogeneity）四个核心统计量。
• 特征图平滑处理：应用中值滤波去除特征图中的噪点和离群值。
• 无监督聚类分割：利用K-Means算法对高维特征向量进行自动分类，无需人工标注数据。
• 结果优化与可视化：通过形态学开闭运算去除分割碎片，并提供特征热力图、伪彩色分割图及边界叠加图的直观展示。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Statistics and Machine Learning Toolbox（统计与机器学习工具箱）

使用方法

1. 确保MATLAB环境已安装上述所需的工具箱。
2. 将脚本文件保存到MATLAB工作路径中。
3. 直接运行主函数。
4. 程序将自动执行以下步骤：

* 生成并显示合成纹理图像。 * 显示带有进度条的特征提取过程。 * 弹出GLCM特征的可视化窗口。 * 弹出最终的分割结果对比窗口。

算法实现细节与逻辑分析

本项目核心代码采用了模块化设计，主要处理流程如下：

1. 图像获取与预处理

• 数据源：程序首先调用内部辅助函数 generateSyntheticTexture，生成一个256x256像素的合成图像，该图像被划分为四个区域，分别填充了高斯噪声、正弦波条纹、棋盘格和斜线网格四种截然不同的纹理。
• 灰度化与均衡化：无论输入源如何，首先将其转换为灰度图，并使用 histeq 进行直方图均衡化，以覆盖更广的灰度范围，增强纹理细节。
• 灰度量化：为了大幅降低GLCM计算的计算量，将图像的灰度级归一化并量化为16级。这是GLCM算法优化的关键步骤，能显著减少共生矩阵的稀疏性。

2. GLCM纹理特征提取（核心算法）

• 滑动窗口机制：代码定义了一个13x13像素的窗口，对图像进行逐像素遍历。虽然使用了显式的双重循环（并在代码中通过进度条可视化进度），但这种方式清晰展示了局部邻域处理的逻辑。为了处理图像边缘，采用了对称填充（symmetric padding）。
• 多方向GLCM计算：对于每一个窗口区域，计算其灰度共生矩阵。代码设置了四个偏移量 [0 1; -1 1; -1 0; -1 -1]，分别对应0度、45度、90度和135度方向。
• 融合策略：为了保证纹理识别不受旋转角度影响，代码将这四个方向生成的GLCM矩阵进行累加求和（sum(glcm, 3)），基于累加后的矩阵计算统计量。
• 指标计算：利用 graycoprops 函数提取四个关键纹理描述子：

* Contrast（对比度）：度量矩阵值的变化程度，反映纹理的沟纹深浅。 * Correlation（相关性）：度量灰度级明显的线性依赖关系。 * Energy（能量）：各元素平方和，反映纹理的均匀程度和规则性。 * Homogeneity（同质性）：度量图像局部灰度的均匀性。

3. 数据后处理与聚类准备

• 特征图滤波：原始提取的特征图往往含有噪声。代码在进入聚类前，使用5x5的中值滤波器（medfilt2）对四个特征通道分别进行平滑处理，这能有效提升后续分割区域的连通性。
• 特征向量化与标准化：将四个二维特征矩阵拉直为一维向量，并组合成 [N, 4] 的特征矩阵。随后使用Z-score标准化（zscore），消除不同特征量纲（如能量值通常很小，而对比度可能很大）对距离计算的影响。

4. K-Means 聚类分割

• 参数配置：鉴于合成图像已知包含4种纹理，代码将聚类中心数 K 设定为4。
• 聚类执行：调用 kmeans 函数，使用“欧氏距离的平方”作为度量标准，并设置了3次重复聚类（Replicates），以防止算法陷入局部最优解。
• 结果重构：将聚类输出的标签向量重新整形为与原图像一致的二维矩阵。

5. 分割结果优化与展示

• 形态学操作：初步的K-Means结果可能包含细碎的噪点或孔洞。代码依次执行形态学“开运算”和“闭运算”（使用半径为3的圆盘结构元素），平滑分割边界并填充孔洞。
• 可视化输出：

* 特征图：使用Jet伪彩色图展示四个纹理特征的空间分布。 * 分割掩膜：将最终的标签矩阵转换为RGB彩色图显示。 * 边界叠加：使用Canny算子提取分割区域的边缘，并将其以红色线条叠加在原始图像上，直观展示分割精度。