CN106780583B - 基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 - Google Patents
基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 Download PDFInfo
- Publication number
- CN106780583B CN106780583B CN201611063908.2A CN201611063908A CN106780583B CN 106780583 B CN106780583 B CN 106780583B CN 201611063908 A CN201611063908 A CN 201611063908A CN 106780583 B CN106780583 B CN 106780583B
- Authority
- CN
- China
- Prior art keywords
- glcm
- relative position
- image
- matrix element
- calculated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于矩阵元素插值的任意灰度共生矩阵的计算方法,通过在待计算的GLCM对应的相对位置(r,θ)附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素是可以重合的,从而,这些相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(即G(m,n;r1,θ1),…,G(m,n;rK,θK))便可以通过公式(1)和(2)计算得到,而G(m,n;r,θ)则可由这些GLCM的矩阵元素插值得到。同时,本发明还提供了上述计算方法的两种具体应用。本发明可计算图像关于任意相对方向和距离的GLCM,使GLCM的计算不限于具体角度、距离等限制。从而使GLCM在各领域的应用变得更加便利,拓展了GLCM的应用空间和应用效果。
Description
技术领域
本发明涉及一种GLCM(灰度共生矩阵,Gray-level co-occurrence matrix)的计算方法,尤其涉及一种基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用。
背景技术
GLCM是一种通过灰度的空间相关特性来描述纹理的常用分析工具。纹理能从许多可视表面中被人的视觉自然地识别出来,并给人一些特别的感觉,如方向感、周期感和粗糙感等。作为可视表面的内在属性,纹理在众多领域都是非常重要的研究课题。许多围绕纹理的研究工作都是在探索如何更好地提取纹理的特征来对其进行客观描述,GLCM便是其中一种发展起来的统计分析工具。
传统的GLCM本质上是满足特定相对位置关系的像素对的灰度值联合概率分布。该矩阵可以通过对图像中的像素对进行统计得到。从该矩阵可以导出图像的二阶统计参数,这些参数分别表征了图像纹理的不同特性。有研究表明纹理和纹理之间的区别极大地依赖于纹理的二阶统计上的差异,因此由GLCM导出的二阶统计参数对于图像纹理的识别、分类等而言都是非常重要的。但是传统GLCM图像纹理分析受图像像素位置的限制,一般只考虑特定方向上的GLCM(通常为图像的水平方向、垂直方向和对角线方向);因此,需要发明一种可计算图像关于任意相对位置的GLCM的计算方法。
发明内容
本发明针对现有技术中,GLCM计算存在的上述技术问题,提供一种基于矩阵元素插值的任意灰度共生矩阵的计算方法,为GLCM在各领域的应用提供便利。
本发明的另一方面,还示例性地提供了基于矩阵元素插值的任意灰度共生矩阵的计算方法的两种具体应用。
本发明中,所述“任意灰度共生矩阵”是指任意相对位置的灰度共生矩阵。
为此,本发明采用如下技术方案:
基于矩阵元素插值的任意灰度共生矩阵的计算方法,包括如下步骤:
S1:选取图像,设置待计算的GLCM对应的相对位置,相对位置用相对方向与图像水平方向的夹角θ和相对位置两端的距离r来表征;
S2:在待计算的GLCM对应的相对位置(r,θ)的附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素是可以重合的;
S3:通过公式(1)和(2)计算得到相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素,记作G(m,n;r1,θ1),…,G(m,n;rK,θK);
其中G(m,n;rk,θk)表示相对位置(rk,θk)对应的图像的GLCM中第m行第n列的元素值;“card”表示集合中的元素数目;表示图像的像素集合;f(x,y)表示位置坐标为(x,y)处的灰度值,这里位置以矩形坐标系的坐标表示,该坐标系以图像的水平方向和垂直方向作为坐标系的两轴;
归一化因子Q(rk,θk)为:
S4:利用插值,由相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(G(m,n;r1,θ1),…,G(m,n;rK,θK))计算得到相对位置(r,θ)对应的GLCM的矩阵元素(G(m,n;r,θ));当所有矩阵元素计算完后,便得到了相对位置(r,θ)对应的图像的GLCM。
本发明的另一方面,还示例性地提供了基于矩阵元素插值的任意灰度共生矩阵的计算方法的两种具体应用:
基于矩阵元素插值的任意灰度共生矩阵的计算方法在对称GLCM中的应用。
基于矩阵元素插值的任意灰度共生矩阵的计算方法在纹理方向估算中的应用。
本发明通过在待计算的GLCM对应的相对位置(r,θ)附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素是可以重合的,从而,这些相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(即G(m,n;r1,θ1),…,G(m,n;rK,θK))便可以通过公式(1)和(2)计算得到,而G(m,n;r,θ)则可由这些GLCM的矩阵元素插值得到。本发明提供的计算方法可计算图像关于任意相对方向和距离的GLCM,使GLCM的计算不限于具体角度、距离等限制。从而使GLCM在各领域的应用变得更加便利,拓展了GLCM的应用空间和应用效果。
附图说明
图1为本发明具体实施例中待求GLCM的图像;
图2-1至图2-2分别为由传统GLCM计算方法和本发明的方法计算得到的相对位置对应的图像的GLCM,其中相对位置中距离的单位为:像素间距;
图3-1至图3-2分别为由传统GLCM计算方法和本发明的方法计算得到的相对位置(10,0°)对应的图像的GLCM,其中相对位置中距离的单位为:像素间距;
图4-1至图4-2分别为由传统GLCM计算方法和本发明的方法计算得到的相对位置对应的图像的GLCM,其中相对位置中距离的单位为:像素间距;
图5-1至图5-2分别为由传统GLCM计算方法和本发明的方法计算得到的相对位置(10,90°)对应的图像的GLCM,其中相对位置中距离的单位为:像素间距;
图6-1至图6-4分别为本发明的方法计算得到的相对位置(10,-67.5°)、(10,-22.5°)、(10,22.5°)、(10,67.5°)对应的图像的GLCM,其中相对位置中距离的单位为:像素间距;
图7为采用包含本发明计算方法的纹理方向精细估算方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
实施例1:
基于矩阵元素插值的任意灰度共生矩阵的计算方法,包括如下步骤:
S1:选取图像,设置待计算的GLCM对应的相对位置,相对位置用相对方向与图像水平方向的夹角θ和相对位置两端的距离r来表征;
S2:在待计算的GLCM对应的相对位置(r,θ)的附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素是可以重合的;
S3:通过公式(1)和(2)计算得到相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素,记作G(m,n;r1,θ1),…,G(m,n;rK,θK);
其中G(m,n;rk,θk)表示相对位置(rk,θk)对应的图像的GLCM中第m行第n列的元素值;“card”表示集合中的元素数目;表示图像的像素集合;f(x,y)表示位置坐标为(x,y)处的灰度值,这里位置以矩形坐标系的坐标表示,该坐标系以图像的水平方向和垂直方向作为坐标系的两轴;
归一化因子Q(rk,θk)为:
S4:利用插值,由相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(G(m,n;r1,θ1),…,G(m,n;rK,θK))计算得到相对位置(r,θ)对应的GLCM的矩阵元素(G(m,n;r,θ));当所有矩阵元素计算完后,便得到了相对位置(r,θ)对应的图像的GLCM。
本发明的原理如下:
传统GLCM计算方法受到图像像素位置的限制,只能计算那些可与图像像素位置重合的相对位置对应的GLCM。这使得图像的GLCM分析只能在这些特定相对位置(通常为图像水平方向、垂直方向以及两个对角线方向上可与图像像素重合的相对位置)上进行,从而限制了基于GLCM的图像分析的能力,例如纹理方向的精细估计等。
不失一般性,总可以在待计算的GLCM(其矩阵元素用G(m,n;r,θ)表示)对应的相对位置(r,θ)附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素是可以重合的。如此,这些相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(即G(m,n;r1,θ1),…,G(m,n;rK,θK))便可以通过公式(1)和(2)计算得到,而G(m,n;r,θ)则可由这些GLCM的矩阵元素插值得到。以上过程没有对相对位置(r,θ)任何限制,即(r,θ)可以是任意的。
下文给出一个图像的GLCM计算实例进行具体说明:
图1为待求GLCM的图像;首先分别采用传统的GLCM计算方法以及本发明给出的方法计算了相对位置(10,0°)、及(10,90°)对应的图像的GLCM,结果在图2至图5中给出。这些相对位置((10,0°)、及(10,90°))是可以和图像的像素重合的,因此可以采用传统的GLCM计算方法来得到它们对应的图像的GLCM。从图2至图5的结果对比可以看到:在这些可与图像像素重合的相对位置上,由本发明给出的方法计算得到的GLCM,与传统GLCM计算方法得到的GLCM非常一致。其次,采用本发明给出的方法计算了相对位置(10,-67.5°)、(10,-22.5°)、(10,22.5°)及(10,67.5°)对应的图像的GLCM,结果在图6-1至图6-4中给出。这些相对位置不能与图像像素重合,因此传统的GLCM计算方法是不能计算这些相对位置对应的图像的GLCM的。
实施例2:
通过本发明实施例1的计算方法得到的任意相对位置对应的GLCM,加上该矩阵的转置,再将矩阵和的所有矩阵元素都除以2,即得到对称的GLCM。
实施例3:
本发明可计算图像关于任意相对位置对应的GLCM,使GLCM在各领域的应用变得更加便利,拓展了GLCM的应用空间和应用效果。下文以本发明应用于纹理方向精细估算领域为例进行说明。
一种基于GLCM的纹理方向精细估算方法,采用了本发明提供的方法计算所需的GLCM,如图7所示,包括如下步骤:
步骤一:选取图像,将相对位置的方向和距离分别进行等间隔划分,方向以角度θ表示,角度划分范围为-90°到90°,其中“角度”为相对位置中的方向与图像水平方向之间的夹角,“距离”为相对位置两端的间距,用r表示;
通过本发明提供的计算方法计算这些等角度和等距离间隔的相对位置对应的GLCM;
步骤二:不失一般性,假设图像的灰度范围为1到N;通过公式(3)或(4)计算这些等角度和等距离间隔的相对位置对应的GLCM的Z(r,θ),得到该图像的Z(r,θ)的等角度和等距离间隔的分布:
其中w(m,n)是关于GLCM的矩阵元素在矩阵中的位置和矩阵对角线之间距离的递增函数;显然,较大的矩阵元素越集中于GLCM的对角线附近,那么Z(r,θ)的值就越小;
如果采用(m-n)2作为w(m,n),那么公式(3)就变为:
此即对比度;
步骤三:计算参数Z的积分(求和)Z′:通过公式(5)来计算Z′(θ);
Z′(θ)=∫Z(r,θ)dr 公式(5)
实际应用中,可使用Z′(θ)的数值积分(离散求和)的形式,例如
其中,L表示距离r划分的数目,rl表示第l个距离。
步骤四:搜索Z′(θ)较为明显的极小值,确定纹理方向:
Z′(θ)的极小值所对应的方向即图像中的纹理方向。对于Z′(θ)有小幅波动起伏干扰的情况,可以先对Z′(θ)进行平滑去除小幅波动起伏干扰后,再搜索其明显的极小值确定纹理方向。
当然,本发明还可应用于其他技术领域解决具体的技术问题,上文所述应用于纹理方向精细估算仅是本发明的具体应用之一,不是用来限制本发明的应用领域。原则上,凡是应用本发明提供的方法计算GLCM都属于本发明的保护范围。
Claims (3)
1.基于矩阵元素插值的任意灰度共生矩阵的计算方法,包括如下步骤:
S1:选取图像,设置待计算的GLCM对应的相对位置,相对位置用相对方向与图像水平方向的夹角θ和相对位置两端的距离r来表征;
S2:在待计算的GLCM对应的相对位置(r,θ)的附近找到一些相对位置(r1,θ1),…,(rK,θK),这些相对位置与图像中的像素可重合;
S3:通过公式(1)和(2)计算得到相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素,记作G(m,n;r1,θ1),…,G(m,n;rK,θK);
其中G(m,n;rk,θk)表示相对位置(rk,θk)对应的图像的GLCM中第m行第n列的元素值;“card”表示集合中的元素数目;表示图像的像素集合;f(x,y)表示位置坐标为(x,y)处的灰度值,这里位置以矩形坐标系的坐标表示,该坐标系以图像的水平方向和垂直方向作为坐标系的两轴;
归一化因子Q(rk,θk)为:
S4:利用插值,由相对位置(r1,θ1),…,(rK,θK)对应的GLCM的矩阵元素(G(m,n;r1,θ1),…,G(m,n;rK,θK))计算得到相对位置(r,θ)对应的GLCM的矩阵元素(G(m,n;r,θ));当所有矩阵元素计算完后,便得到了相对位置(r,θ)对应的图像的GLCM。
2.基于权利要求1所述的矩阵元素插值的任意灰度共生矩阵的计算方法在对称GLCM方法中的应用。
3.基于权利要求1所述的矩阵元素插值的任意灰度共生矩阵的计算方法在纹理方向估算方法中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611063908.2A CN106780583B (zh) | 2016-11-28 | 2016-11-28 | 基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611063908.2A CN106780583B (zh) | 2016-11-28 | 2016-11-28 | 基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780583A CN106780583A (zh) | 2017-05-31 |
CN106780583B true CN106780583B (zh) | 2019-11-19 |
Family
ID=58901880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611063908.2A Active CN106780583B (zh) | 2016-11-28 | 2016-11-28 | 基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780583B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839079A (zh) * | 2014-03-18 | 2014-06-04 | 浙江师范大学 | 一种基于分类学习的相似图像彩色化算法 |
CN104376529A (zh) * | 2014-11-25 | 2015-02-25 | 深圳北航新兴产业技术研究院 | 一种基于glcm的灰度图像彩色化系统和方法 |
CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
-
2016
- 2016-11-28 CN CN201611063908.2A patent/CN106780583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839079A (zh) * | 2014-03-18 | 2014-06-04 | 浙江师范大学 | 一种基于分类学习的相似图像彩色化算法 |
CN104376529A (zh) * | 2014-11-25 | 2015-02-25 | 深圳北航新兴产业技术研究院 | 一种基于glcm的灰度图像彩色化系统和方法 |
CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN106780583A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trevor et al. | Efficient organized point cloud segmentation with connected components | |
CN106780584B (zh) | 基于灰度共生矩阵的纹理方向精细估算方法 | |
CN102122359A (zh) | 一种图像配准方法及装置 | |
US20150199573A1 (en) | Global Scene Descriptors for Matching Manhattan Scenes using Edge Maps Associated with Vanishing Points | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
CN109977827B (zh) | 一种使用多视图匹配方法的多人三维姿态估计方法 | |
CN103927758A (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
CN109978934A (zh) | 一种基于匹配代价加权的双目视觉立体匹配方法及系统 | |
CN105786957B (zh) | 一种基于单元格邻接关系与深度优先遍历的表格排序方法 | |
CN102629325B (zh) | 图像特征提取方法和装置及图像拷贝检测方法和系统 | |
CN102682424A (zh) | 基于边缘方向差值的图像放大处理方法 | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
Krasheninnikov et al. | Estimation of parameters of geometric transformation of images by fixed-point method | |
CN106780583B (zh) | 基于矩阵元素插值的任意灰度共生矩阵的计算方法及应用 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
Schenk et al. | Comparative study of surface matching algorithms | |
CN106780585B (zh) | 基于图像旋转的任意灰度共生矩阵的计算方法及应用 | |
Mora-García et al. | The kernel density estimation for the visualization of spatial patterns in urban studies | |
Hwang et al. | Clustering and probabilistic matching of arbitrarily shaped ceiling features for monocular vision-based SLAM | |
Gao et al. | Distance measurement method based on two-dimensional image recognition and inverse perspective transformation | |
Al-Durgham et al. | Solution frequency-based procedure for automated registration of terrestrial laser scans using linear features | |
CN109741389A (zh) | 一种基于区域基匹配的局部立体匹配方法 | |
Masuta et al. | 3D plane detection for robot perception applying particle swarm optimization | |
Tang et al. | Parametric distortion-adaptive neighborhood for omnidirectional camera | |
CN107423513A (zh) | 一种四维插值数据处理的方法、设备及其存储设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Hangzhou City, Zhejiang province 310012 Xihu District Baochu Road No. 36 Applicant after: Second Institute of Oceanography, Ministry of Natural Resources Address before: Hangzhou City, Zhejiang province 310012 Xihu District Baochu Road No. 36 Applicant before: Second Institute of Oceanography, State Oceanic Administration |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |