灰度共生矩陣法(glcm, gray - level co - occurrence matrix)，就是通過計算灰度影象得到它的共生矩陣，然後透過計算該共生矩陣得到矩陣的部分特徵值，來分別代表影象的某些紋理特徵（紋理的定義仍是難點）。灰度共生矩陣能反映影象灰度關於方向、相鄰間隔、變化幅度等綜合資訊，它是分析影象的區域性模式和它們排列規則的基礎。 （灰度共生矩陣理論的前輩haralick等人用灰度共生矩陣提出了14中特徵值）對於灰度共生矩陣的理解，需要明確幾個概念：方向，偏移量和灰度共生矩陣的階數。步距d：中心像元（在下面的例程中進行說明）；
灰度共生矩陣的階數：與灰度影象灰度值的階數相同，即當灰度影象灰度值階數為n時，灰度共生矩陣為n × n的矩陣；
灰度矩陣圖獲取，計算公式簡單。
灰度級量化，由於一般計算的灰度級256，效率太低，量化成8或者16級，並且量化前先直方圖均衡化提高對比度先。
滑窗尺寸：一般取55、77。
步長d：一般為1，即中心畫素與臨近畫素進行比較。
方向選擇：一般取四個方向，然後做平均值，多了影響效率。
共生矩陣階數：由量化階數n決定，為n*n的矩陣
step 4/6：灰度共生矩陣計算
灰度共生矩陣計算，以例子來說明
設灰度被分為4階(灰度階從0–3)；視窗大小為6 x 6，然後對整張圖進行滑動，每次可以滑動原圖 6 x 6 的範圍，假設取了量化後的圖的如下灰度矩陣-》
（1） 0°方向，步長為1，統計（1，2）共8個，以此類推
矩陣歸一化：
（2） 45°方向，步長為1
矩陣歸一化：
（3） 90°方向，步長為1
（4） 135°方向，步長為1
step 5/6：每個掃瞄視窗進行灰度共生矩陣特徵值計算
——對每個掃瞄視窗進行灰度共生矩陣特徵值計算，，得到4個值*窗的個數。
a. 能量（角二階距）
能量是灰度共生矩陣各元素的平方和，又被稱角二階距。它是影象紋理灰度變化均一的度量，反映了影象灰度分布均勻程度和紋理粗細程度。對比度是灰度共生矩陣主對角線附近的慣性矩，它體現矩陣的值如何分布，反映了影象的清晰度和紋理溝紋的深淺。相關度體現了空間灰度共生矩陣元素在行或列方向上的相似程度，反映了影象區域性灰度相關性。熵體現了影象紋理的隨機性。若共生矩陣中所有值都相等，取得最大值；若共生矩陣中的值不均勻，則其值會變得很小。求出該灰度共生矩陣各個方向的特徵值後，再對這些特徵值進行均值和方差的計算，得到4個均值和4個方差，這樣處理就消除了方向分量對紋理特徵的影響。使用GLCM灰度共生矩陣前的處理操作
glcm提取紋理特徵還是很厲害的！尤其是和lbp相結合來使用 glcm中有很多屬性可以選擇，大家可以選擇適合自己資料集的最優的屬性組合。第一步 獲取影象的灰度圖 files i 為輸入的影象路徑 as grey true表示轉換為灰度圖 返回影象陣列，其中每個值的型別為float64，範圍為 0,1...
灰度共生矩陣
灰度共生矩陣，指的是一種通過研究灰度的空間相關特性來描述紋理的常用方法。1973年haralick等人提出了用灰度共生矩陣來描述紋理特徵。由於紋理是由灰度分布在空間位置上反覆出現而形成的，因而在影象空間中相隔某距離的兩畫素之間會存在一定的灰度關係，即影象中灰度的空間相關特性。灰度 假設是0到255 ...
灰度共生矩陣理解
參考 首先是條件 距離和角度 或者x方向距離，y方向距離 假設原圖灰度級為l。原圖大小不重要 灰度共生矩陣是乙個 lxl 大小的概率統計矩陣，每個點的值為滿足位置條件的 灰度對 概率大小 最後會歸一化 歸一化前，設這個矩陣中座標為 p,q 的點處值為num，則表示原圖中滿足條件的灰度對 p,q 有n...