灰度共生矩阵纹理特征提取与分析工具

资 源 简 介

本项目旨在开发一个基于MATLAB的图像处理工具，专门利用灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）方法进行纹理特征的深度提取与分析。系统首先对输入的彩色或灰度图像进行预处理，包括灰度量化处理以降低计算复杂度。核心功能是计算图像在不同方向（如0度、45度、90度、135度）和不同步长下的二阶组合条件概率密度函数，即生成灰度共生矩阵。基于生成的矩阵，算法将计算一系列Haralick纹理描述符，主要包括对比度（Contrast）、相关性（Correlation）、能量（Energy/ASM）、和逆差矩（Homogeneity）等关键指标。该系统不仅能输出具体的特征数值，还支持数据的可视化展示，帮助用户直观理解图像的粗糙度、对比度及方向性等纹理属性。该项目适用于医学影像分析、遥感图像分类、工业表面缺陷检测以及材质识别等多种计算机视觉应用场景。

详 情 说 明

基于灰度共生矩阵的图像纹理特征提取系统

项目简介

本项目是一个基于 MATLAB 开发的图像纹理分析工具，专注于使用灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）算法来提取和分析图像的二阶统计纹理特征。系统能够处理彩色或灰度图像，通过预处理、灰度量化、矩阵构建及特征计算，最终输出图像在不同方向上的纹理描述符。该工具集成了丰富的数据可视化功能，旨在帮助用户直观地理解图像的粗糙度、对比度以及方向性特征，适用于计算机视觉、医学影像分析及材料表面检测等领域。

功能特性

• 自动图像加载与容错处理：系统优先加载演示图像，若文件不存在则自动生成合成纹理（棋盘格）以确保程序可运行。
• 图像预处理与优化：包含色彩空间转换（RGB转灰度）及尺寸归一化（Resize），以统一输入标准并提升计算效率。
• 灰度级量化算法：实现了将原始 256 级灰度压缩至 16 级的均匀量化处理，有效降低了 GLCM 的稀疏性和计算复杂度。
• 多方向 GLCM 构建：支持计算 0°、45°、90°、135° 四个经典方向的对称灰度共生矩阵。
• 核心纹理特征提取：精确计算四大关键 Haralick 特征：对比度 (Contrast)、相关性 (Correlation)、能量 (Energy/ASM) 和逆差矩 (Homogeneity)。
• 多维度可视化展示：

* 原始图像与量化效果对比。 * 四个方向 GLCM 的概率密度热力图。 * 能量与逆差矩的柱状图对比。 * 对比度与相关性的双轴趋势图。

• 详细的数据报告：在控制台输出格式化的数值统计表，便于数据记录与分析。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 确保 MATLAB 当前工作目录中包含 main.m 文件。
2. （可选）在同级目录下放置名为 peppers.png 的测试图片；若未放置，程序将使用内置算法生成测试纹理。
3. 在 MATLAB 命令窗口中输入 main 并回车，或直接运行 main.m 脚本。
4. 程序将自动弹出图形化界面展示分析图表，并在控制台打印详细的特征数值。

详细实现逻辑与算法分析

本项目仅包含一个核心脚本 main.m，其内部处理流程如下：

1. 环境初始化与图像输入

• 程序启动时会自动清理工作区、关闭现有图形窗口并屏蔽警告信息。
• 采用 try-catch 机制读取图像：优先尝试读取 peppers.png；若失败，则生成 20x20 格子的二值化棋盘格图像，并转换为 uint8 格式。
• 检测输入图像是否为 RGB 格式，若是则通过 rgb2gray 转换为灰度图。
• 使用 imresize 将图像强制调整为 256x256 像素，以保证计算速度。

2. 灰度量化 (Quantization)

• 为了减少 GLCM 的尺寸并提高统计稳定性，代码执行了灰度级压缩。
• 算法将原始的 [0, 255] 灰度范围线性映射到 [0, 15] 的范围（共 16 个灰度级）。
• 量化公式采用 floor(double(grayImg) / 256 * numLevels)，结果转换为 uint8 类型。

3. GLCM 矩阵构建

• 定义了四个方向的像素偏移量 (Offsets)：

* 0度: [0 1] * 45度: [-1 1] * 90度: [-1 0] * 135度: [-1 -1]

• 调用 MATLAB 内置函数 graycomatrix 计算共生矩阵。
• 关键参数设置：

* NumLevels: 设为 16，对应量化后的级别。 * GrayLimits: 明确指定为 [0 15]，防止函数默认从 1 开始导致的索引偏差。 * Symmetric: 设为 true，确保计算像素对 (i, j) 时同时也考虑 (j, i)，生成对称矩阵。

4. 特征计算 (Haralick Features)

• 利用 graycoprops 函数基于生成的 GLCM 提取统计特征。
• 选取的特征描述符包括：

* Contrast (对比度)：度量矩阵的值分布和图像的局部变化。 * Correlation (相关性)：度量灰度级在图像中的线性依赖关系。 * Energy (能量)：即角二阶矩，度量纹理的一致性或有序性。 * Homogeneity (逆差矩)：度量图像纹理分布的紧密程度。

5. 结果可视化

代码创建了一个 3行4列 的组合图形窗口进行展示：

• 图像层（第1行）：展示原始灰度图与经过 16 级量化后的效果图，直观显示预处理造成的信息损失程度。
• 矩阵层（第2行）：通过循环遍历 4 个方向，将每个 GLCM 矩阵归一化（除以总和）转换为概率矩阵，并使用 imagesc 绘制热力图（Heatmap），配合 parula 伪彩色映射，展示灰度共生情况分布。
• 统计层（第3行）：

* 左侧图表：使用 bar 柱状图对比不同角度下的能量（Energy）和逆差矩（Homogeneity）。 * 右侧图表：使用 yyaxis 双纵轴绘图技术。左轴绘制“对比度”折线，右轴绘制“相关性”折线，解决了两个指标数值量级差异大难以同图显示的问题。

6. 终端输出

• 程序最后通过 fprintf 在 MATLAB 控制台输出格式化的文本表格。
• 表格列出了 0度、45度、90度、135度 四个方向对应的对比度、相关性、能量和逆差矩的具体数值（保留 4 位小数）。