纹理特征提取代码（小波纹理特征提取）

本篇文章给大家谈谈纹理特征提取代码，以及小波纹理特征提取对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、纹理特征提取方法：LBP, 灰度共生矩阵
• 2、怎样用matlab提取图像的纹理特征？
• 3、图像处理颜色,纹理,形状matlab程序

纹理特征提取方法：LBP, 灰度共生矩阵

搬运自本人 CSDN 博客： 《纹理特征提取方法：LBP, 灰度共生矩阵》

注：本文中大量行内 Latex 公式在中不支持，如果想要仔细参阅，请移步上面的 CSDN 博客链接。

在前面的博文 《图像纹理特征总体简述》 中，笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。

参考网址：

《纹理特征提取》

《【纹理特征】LBP 》

《灰度共生矩阵（GLCM）理解》

《灰度共生矩阵的理解》

《图像的纹理特征之灰度共生矩阵 》

参考论文：

《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉

《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬

LBP方法（Local binary patterns, 局部二值模式）是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征。

LBP是一个计算机视觉中用于图像特征分类的一个方法，用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。

LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。关于邻域像素点的选择方法，其实并不唯一：

这里选择环形邻域的方法进行说明：

窗口中心的像素点作为中心，该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较，若周围某像素值大于中心像素值，则该像素点位置被标记为1；反之，该像素点标记为0。

如此这样，该窗口的8个点可以产生8位的无符号数，这样就得到了该窗口的LBP值，该值反应了该窗口的纹理信息。如下图所示：

图中，中心像素点的像素值作为阈值，其值v = 3；周围邻域8个像素值中，有3个比阈值小的像素点置0，5个比阈值大的像素点置1。

LBP算法的计算公式如下：

$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} - g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$

LBP纹理特征向量，一般以图像分块LBP直方图表示。具体步骤如下：

得到了整幅图像的LBP纹理特征后，便可以利用SVM或者其他机器学习算法进行分类了。

这两天笔者将会对源码进行测试封装，以后会上传到我的GitHub网站上。

灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于font color = red 方向、相邻间隔、变化幅度等 /font综合信息，它是分析图像的局部模式和它们排列规则的基础。

对于灰度共生矩阵的理解，需要明确几个概念：方向，偏移量和灰度共生矩阵的阶数。

计算纹理特征第一步，就是将多通道的图像（一般指RGB图像）转换为灰度图像，分别提取出多个通道的灰度图像。

纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任意选择其一。

一般在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。

而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果。

注：笔者后文中的例子中，为了简要说明，所以灰度等级简单设置为4。

计算特征值前，先选择计算过程中的一些参数：

下面分部且适当的使用一些例子说明计算过程：

为了达到简单说明计算纹理特征值的目的，笔者此处做简要的假设：灰度被分为4阶，灰度阶从0--3；窗口大小为6 × 6；

窗口A的灰度矩阵A如下：

窗口B的灰度矩阵B如下：

此处以左上角元素为坐标原点，原点记为(1, 1)；以此为基础举例，第四行第二列的点记为(4, 2)；

情景1：d = 1，求0°方向矩阵A的共生矩阵：

则按照0°方向（即水平方向 从左向右，从右向左两个方向 ），统计矩阵值(1, 2)，则如下图所示：

$$

P_{A}(d=1, \theta =0^o)=\begin{vmatrix}

0 8 0 7 \

8 0 8 0 \

0 8 0 7 \

7 0 7 0

\end{vmatrix}

$$

情景2：d = 1，求45°方向矩阵A的共生矩阵：

按照情景1，同理可得此时的统计矩阵结果如下：

$$

P_{A}(d=1, \theta =45^o)=\begin{vmatrix}

12 0 0 0 \

0 14 0 0 \

0 0 12 0 \

0 0 0 12

\end{vmatrix}

$$

情景3：d = 1，求0°与45°方向矩阵B的共生矩阵：

与前面同理，可以得到矩阵B的统计及矩阵结果如下：

$$

P_{B}(d=1, \theta =0^o)=\begin{vmatrix}

24 4 0 0 \

4 8 0 0 \

0 0 12 2 \

0 0 2 4

\end{vmatrix}

$$

$$

P_{B}(d=1, \theta =45^o)=\begin{vmatrix}

18 3 3 0 \

3 6 1 1 \

3 1 6 1 \

0 1 1 2

\end{vmatrix}

$$

矩阵A, B的其余90°、135°矩阵与上面同理，所以笔者偷懒略去。

这样，我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵，下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。

用P表示灰度共生矩阵的归一化频率矩阵，其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值，所以P(i, j)表示满足这种情况的两个像素出现的概率。

以上述情景2中的矩阵为例：

原矩阵为：

$$

P(d=1, \theta =45^o)=\begin{vmatrix}

12 0 0 0 \

0 14 0 0 \

0 0 12 0 \

0 0 0 12

\end{vmatrix}

$$

归一化后，矩阵形式变为：

$$

P(d=1, \theta =45^o)=\begin{vmatrix}

12/50 0 0 0 \

0 14/50 0 0 \

0 0 12/50 0 \

0 0 0 12/50

\end{vmatrix}

$$

灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们一般采用四个最常用的特征来提取图像的纹理特征：font color=red 能量、对比度、相关度、熵 /font。

$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $

能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。

$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $

对比度是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。

$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) - \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $

相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性。

$ ENT = - \sum_{i} \sum_{j} P(i,j) \log P(i,j) $

熵体现了图像纹理的随机性。若共生矩阵中所有值都相等，取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。

求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理就消除了方向分量对纹理特征的影响。

一个滑动窗口计算结束后，该窗口就可以移动一个像素点，形成另一个小窗口图像，重复进行上一步的计算，生成新窗口图像的共生矩阵和纹理特征值；

以此类推，滑动窗口遍历完所有的图像像素点后，整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。

之后，就可以将这个纹理特征值矩阵转换成纹理特征图像。

笔者已经对源码进行测试了封装，并上传到了笔者的GitHub网站上。

GitHub：

怎样用matlab提取图像的纹理特征？

其实学数字图像处理，关键的不是源代码（和一般编程还是有区别的，这个是经验之谈，其实一般博导未必会编程，但是你和他说说你的方法，他一般都能切中要害），而是你能理解基于概念及适用场所。

基于颜色、纹理、形状都属于低层特征，这些你理解就够了，关键是对你的课题适合哪种方法来映射到高层语义上面，例如：识别物体轮廓，那可能形状就比较适合等。

我之所以写上面那段话，主要是我感觉你索取代码也不说明具体要求，也就是方向不明确。

如今颜色特征提取算法有很多，诸如颜色直方图、颜色矩、颜色集、颜色聚合向量、颜色相关图等，既然你没说，我就给个IEEE CSVT 2001的一篇关于颜色直方图法的论文（源码版权归作者所有）：

function colorhist = colorhist(rgb)

% CBIR_colorhist() --- color histogram calculation

% input: MxNx3 image data, in RGB

% output: 1x256 colorhistogram == (HxSxV = 16x4x4)

% as the MPEG-7 generic color histogram descriptor

% [Ref] Manjunath, B.S.; Ohm, J.-R.; Vasudevan, V.V.; Yamada, A., "Color and texture descriptors"

% IEEE Trans. CSVT, Volume: 11 Issue: 6 , Page(s): 703 -715, June 2001 (section III.B)

% check input

if size(rgb,3)~=3

error('3 components is needed for histogram');

end

% globals

H_BITS = 4; S_BITS = 2; V_BITS = 2;

%rgb2hsv可用rgb2hsi代替，见你以前的提问。

hsv = uint8(255*rgb2hsv(rgb));

imgsize = size(hsv);

% get rid of irrelevant boundaries

i0=round(0.05*imgsize(1)); i1=round(0.95*imgsize(1));

j0=round(0.05*imgsize(2)); j1=round(0.95*imgsize(2));

hsv = hsv(i0:i1, j0:j1, :);

% histogram

for i = 1 : 2^H_BITS

for j = 1 : 2^S_BITS

for k = 1 : 2^V_BITS

colorhist(i,j,k) = sum(sum( ...

bitshift(hsv(:,:,1),-(8-H_BITS))==i-1 ...

bitshift(hsv(:,:,2),-(8-S_BITS))==j-1 ...

bitshift(hsv(:,:,3),-(8-V_BITS))==k-1 ));

end

end

end

colorhist = reshape(colorhist, 1, 2^(H_BITS+S_BITS+V_BITS));

% normalize

colorhist = colorhist/sum(colorhist);

%基于纹理特征提取灰度共生矩阵用于纹理判断

% Calculates cooccurrence matrix

% for a given direction and distance

%

% out = cooccurrence (input, dir, dist, symmetric);

%

% INPUT:

% input: input matrix of any size

%

% dir: direction of evaluation

% "dir" value Angle

% 0 0

% 1 -45

% 2 -90

% 3 -135

% 4 -180

% 5 +135

% 6 +90

% 7 +45

%

% dist: distance between pixels

%

% symmetric: 1 for symmetric version

% 0 for non-symmetric version

%

% eg: out = cooccurrence (input, 0, 1, 1);

% Author: Baran Aydogan (15.07.2006)

% RGI, Tampere University of Technology

% baran.aydogan@tut.fi

function out = cooccurrence (input, dir, dist, symmetric);

input = round(input);

[r c] = size(input);

min_intensity = min(min(input));

max_intensity = max(max(input));

out = zeros(max_intensity-min_intensity+1);

if (dir == 0)

dir_x = 0; dir_y = 1;

end

if (dir == 1)

dir_x = 1; dir_y = 1;

end

if (dir == 2)

dir_x = 1; dir_y = 0;

end

if (dir == 3)

dir_x = 1; dir_y = -1;

end

if (dir == 4)

dir_x = 0; dir_y = -1;

end

if (dir == 5)

dir_x = -1; dir_y = -1;

end

if (dir == 6)

dir_x = -1; dir_y = 0;

end

if (dir == 7)

dir_x = -1; dir_y = 1;

end

dir_x = dir_x*dist;

dir_y = dir_y*dist;

out_ind_x = 0;

out_ind_y = 0;

for intensity1 = min_intensity:max_intensity

out_ind_x = out_ind_x + 1;

out_ind_y = 0;

[ind_x1 ind_y1] = find (input == intensity1);

ind_x1 = ind_x1 + dir_x;

ind_y1 = ind_y1 + dir_y;

for intensity2 = min_intensity:max_intensity

out_ind_y = out_ind_y + 1;

[ind_x2 ind_y2] = find (input == intensity2);

count = 0;

for i = 1:size(ind_x1,1)

for j = 1:size(ind_x2,1)

if ( (ind_x1(i) == ind_x2(j)) (ind_y1(i) == ind_y2(j)) )

count = count + 1;

end

end

end

out(out_ind_x, out_ind_y) = count;

end

end

if (symmetric)

if (dir 4)

dir = dir + 4;

else

dir = mod(dir,4);

end

out = out + cooccurrence (input, dir, dist, 0);

end

图像处理颜色,纹理,形状matlab程序

运行效果：

测试图像：

颜色，文理形状特征比较后的结果，从最相似的往下排，第一个与测试图像最相似：

纹理特征提取程序：

function T =coocurrence(Image)

Color= imread(Image);

Gray=rgb2gray(Color);

[M,N] = size(Gray);

%为了减少计算量，对原始图像灰度级压缩，将Gray量化成16级

for i = 1:M

  for j = 1:N

      for n = 1:256/16

          if (n-1)*16=Gray(i,j)Gray(i,j)=(n-1)*16+15

              Gray(i,j) = n-1;

          end

      end

  end

end

%计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135

P = zeros(16,16,4);

for m = 1:16

  for n = 1:16

      for i = 1:M

          for j = 1:N

              if jNGray(i,j)==m-1Gray(i,j+1)==n-1

                  P(m,n,1) = P(m,n,1)+1;

                  P(n,m,1) = P(m,n,1);

              end

              if i1jNGray(i,j)==m-1Gray(i-1,j+1)==n-1

                  P(m,n,2) = P(m,n,2)+1;

                  P(n,m,2) = P(m,n,2);

              end

              if iMGray(i,j)==m-1Gray(i+1,j)==n-1

                  P(m,n,3) = P(m,n,3)+1;

                  P(n,m,3) = P(m,n,3);

              end

              if iMjNGray(i,j)==m-1Gray(i+1,j+1)==n-1

                  P(m,n,4) = P(m,n,4)+1;

                  P(n,m,4) = P(m,n,4);

              end

          end

      end

      if m==n

          P(m,n,:) = P(m,n,:)*2;

      end

  end

end

% 对共生矩阵归一化

for n = 1:4

  P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n)));

end

%对共生矩阵计算能量、熵、惯性矩、相关性4个纹理参数

H = zeros(1,4);

I = H;

Ux = H;      Uy = H;

deltaX= H;  deltaY = H;

C =H;

for n = 1:4

  E(n) = sum(sum(P(:,:,n).^2)); %%能量

  for i = 1:16

      for j = 1:16

          if P(i,j,n)~=0

              H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵

          end

          I(n) = (i-j)^2*P(i,j,n)+I(n);  %%惯性矩

          Ux(n) = i*P(i,j,n)+Ux(n); %相关性中μx

          Uy(n) = j*P(i,j,n)+Uy(n); %相关性中μy

      end

  end

end

for n = 1:4

  for i = 1:16

      for j = 1:16

          deltaX(n) = (i-Ux(n))^2*P(i,j,n)+deltaX(n); %相关性中σx

          deltaY(n) = (j-Uy(n))^2*P(i,j,n)+deltaY(n); %相关性中σy

          C(n) = i*j*P(i,j,n)+C(n);          

      end

  end

  C(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性

end

%求能量、熵、惯性矩、相关性的均值和标准差作为最终8维纹理特征

a1 = mean(E) ;

b1 = sqrt(cov(E));

a2 = mean(H) ;

b2 = sqrt(cov(H));

a3 = mean(I);

b3 = sqrt(cov(I));

a4 = mean(C);

b4 = sqrt(cov(C));

T=[a1,a2,a3,a4,b1,b2,b3,b4];

T=T/sum(T);

图像匹配检索程序：

function [Sorted, ISorted,nResults,files]=searchImage(imageName, modelName)

% 找到最相近的图像

[Sorted, ISorted] = sort(Similarity);

Sorted=Sorted/sum(Sorted);

switch similaritymesureSorted(Nfiles)

  case 1

      nResults=Nfiles;

      msgbox(['调节相似度过大，请重新定值,最大值为' num2str(Sorted(Nfiles))]);

  case 0

for i=1:Nfiles

 if Sorted(i)=similaritymesure

      nResults=i;

      break;

  end

end

end

关于纹理特征提取代码和小波纹理特征提取的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。