基于灰度共生矩阵的多方向图像纹理特征提取算法

资 源 简 介

本项目旨在在MATLAB环境中构建一个完整的图像纹理分析算法，核心机制是利用灰度共生矩阵（Gray-level Co-occurrence Matrix, GLCM）来量化图像像素间的空间灰度依赖关系。算法首先对输入图像进行预处理，包括彩色图像灰度化及灰度级量化，以优化计算效率。随后，程序将针对图像计算四个关键方向（0度、45度、90度、135度）的灰度共生矩阵，从而全方位捕捉图像在不同方向上的纹理结构信息。基于生成的四个GLCM矩阵，项目将利用graycoprops函数进一步提取具有代表性的二阶统计特征量，主要包括：用于衡量图像局部变化程度的对比度（Contrast）、反映纹理粗细与灰度分布均匀程度的能量（Energy/ASM）、描述行列元素相似程度的相关性（Correlation）以及体现局部纹理均匀性的同质性（Homogeneity）。最终，算法将这些多方向的统计特征融合为一个特征向量，能够有效地描述图像的粗糙度、方向性和复杂性。该算法广泛应用于医学影像分析、遥感图像分类、织物纹理识别及材料表面缺陷检测等领域，为后续的机器学习分类器提供高质量的输入特征。

详 情 说 明

基于灰度共生矩阵的多方向纹理特征提取系统

项目简介

本项目是一个在 MATLAB 环境下构建的图像纹理分析算法。其核心机制利用灰度共生矩阵（Gray-level Co-occurrence Matrix, GLCM）量化图像像素间的空间灰度依赖关系。该系统能够对输入图像进行预处理，计算四个关键方向（0°、45°、90°、135°）的 GLCM，并从中提取最具代表性的二阶统计特征（Haralick 特征）。最终，算法将这些特征融合为特征向量，并在图形界面中直观展示分析结果。该工具适用于医学影像分析、遥感分类、材料表面检测等需要纹理描述的场景。

功能特性

• 鲁棒的图像读取机制：默认读取标准测试图像（peppers.png），若文件缺失，系统会自动生成带有椒盐噪声的合成正弦光栅纹理图像，确保程序在任何环境下均可运行。
• 图像预处理：包含彩色图像自动灰度化处理，以适应下游计算需求。
• 多方向 GLCM 构建：针对 0 度、45 度、90 度、135 度四个方向分别计算灰度共生矩阵，全方位捕捉纹理的方向性。
• 灰度级量化优化：将原始 256 灰度级量化压缩至 16 级，有效减少计算量的同时提高了统计特征的稀疏性与稳定性。
• 关键纹理特征提取：提取四大核心统计量：对比度（Contrast）、相关性（Correlation）、能量（Energy/ASM）和同质性（Homogeneity）。
• 多维度数据可视化：

* 原始图像与灰度图像对比。 * 对数变换后的 GLCM 热力图，直观展示纹理分布。 * 多方向特征对比柱状图，并带有数值标注。

• 详细的数据报告：在命令行窗口输出格式化的特征数据表、均值统计以及最终的综合特征向量。

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. 将项目代码保存为 main.m 文件。
2. 确保 MATLAB 的当前工作目录包含该文件。
3. （可选）将待分析的图片命名为 peppers.png 放入同级目录，或修改代码中的文件名。
4. 在 MATLAB 命令行窗口输入 main 并回车。
5. 程序将自动执行，弹出包含图像和图表的分析窗口，并在命令行打印详细数据。

算法实现细节与逻辑分析

本项目主要通过 main 函数实现，具体逻辑流程如下：

1. 环境初始化与图像加载

程序启动时首先清理工作区变量和图形窗口。利用 try-catch 结构尝试读取 peppers.png。如果读取失败，则通过 meshgrid 和 sin/cos 函数生成一个合成纹理，并添加 2% 的椒盐噪声，这一设计保证了代码的可演示性。读取后的图像包含 RGB 通道检测，若为彩色图像则调用 rgb2gray 转换为单通道灰度图。

2. GLCM 参数配置与构建

这是算法的核心部分。为了提高计算效率和统计显著性，代码定义了 numLevels = 16，即将图像灰度压缩到 16 个级别。 程序定义了四个方向的偏移量（Offsets）矩阵：

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

调用 graycomatrix 函数生成 GLCM，并开启 'Symmetric' 选项，使矩阵关于对角线对称，这意味着计算时不区分像素对的方向性（例如 (i,j) 和 (j,i) 被视为相同），提高了特征的旋转稳定性。

3. Haralick 特征提取

基于生成的四个 GLCM 矩阵，利用 graycoprops 函数提取以下四个统计特征：

• 对比度 (Contrast)：度量矩阵的值分布和图像的局部变化，反映纹理的沟纹深浅。
• 相关性 (Correlation)：衡量图像中像素与其邻域像素的灰度线性关系。
• 能量 (Energy)：即角二阶矩（ASM）的平方根，反映图像纹理的粗细程度和灰度分布均匀性。
• 同质性 (Homogeneity)：度量图像局部的紧密性，反映纹理的均匀程度。

4. 数据融合与报告输出

算法通过循环遍历四个方向的统计结果，在命令行打印格式化的数据表。同时，将每个方向的这四个特征值依次拼接，构建一个一维数组 fVector（综合特征向量），作为后续机器识别或分类的标准输入格式。此外，代码还计算了各特征在四个方向上的均值，作为旋转不变性的参考指标。

5. 可视化分析

代码生成一个包含多个子图的窗口：

• 第一行：展示原始图像、灰度化后的图像以及 0 度方向的 GLCM 图像。GLCM 的可视化采用了对数变换 log(glcm + 1)，以增强显示低频高能和高频低能区域的视觉对比度。
• 第二行：绘制并排柱状图，直观对比四个方向上的特征值。为了便于阅读，代码自动在每个柱状条上方标注了具体的数值（保留两位小数）。

输出示例说明

程序结束后，用户将在 MATLAB 命令行窗口 看到类似以下的结构化输出：

• 图像尺寸与量化级数信息。
• 这是一个包含"方向、对比度、相关性、能量、同质性"五列的数据表，列出了 0° 到 135° 的具体数值。
• 均值统计行。
• 完整的综合特征向量数组（Feature Vector）。

同时，图形窗口 将展示图像处理的中间结果和最终的特征统计图表。