1. 灰度共生矩阵(GLCM)入门指南第一次接触灰度共生矩阵(GLCM)这个概念时我也被这个拗口的专业术语吓到了。但当我真正理解它后发现这其实就是一种描述图像纹理特征的数学工具。想象一下你面前有一块布料用手摸上去能感受到它的粗糙程度、纹路走向 - GLCM就是用数字来量化这种感觉的方法。GLCM全称Gray-Level Co-occurrence Matrix直译就是灰度共同出现矩阵。它的核心思想很简单统计图像中特定距离和方向上成对出现的像素灰度值组合。比如我们设定距离为1像素方向为水平向右那么就会统计所有水平相邻的两个像素的灰度值组合出现的频率。在实际应用中GLCM最常见的用途包括医学图像分析如肿瘤组织识别遥感图像分类区分森林、农田、城市等工业质检检测产品表面缺陷生物特征识别指纹、虹膜等# 最简单的GLCM示例 import numpy as np from skimage.feature import greycomatrix # 创建一个10x10的随机灰度图像(0-15灰度级) image np.random.randint(0, 16, (10, 10)) # 计算GLCM距离1水平方向0度 glcm greycomatrix(image, distances[1], angles[0], levels16) print(glcm[:, :, 0, 0]) # 打印距离1角度0度的共生矩阵这个简单例子展示了如何生成一个基础的GLCM。但要让GLCM真正发挥作用我们还需要深入理解几个关键参数灰度级数(levels)决定了矩阵的维度。8级就是8x8矩阵256级就是256x256矩阵。级数越多保留的细节越丰富但计算量也越大。距离(distance)定义相邻像素的距离。可以是[1,2,3]等多个距离距离越大捕捉的纹理特征越宏观。角度(angles)通常取0°、45°、90°、135°四个方向以全面捕捉纹理的方向特性。2. 从零构建GLCM分析工具2.1 图像预处理实战在实际项目中直接对原始图像计算GLCM往往效果不佳。就像做菜前要洗菜切菜一样图像也需要适当的预处理。我总结了几种最常用的预处理方法灰度量化是最关键的一步。虽然现代图像通常是256级灰度但实际计算时我们往往需要降低灰度级数。就像把照片从高清变成标清虽然损失了细节但突出了主要特征。def quantize_gray(image, levels8): 将图像量化为指定灰度级 max_val image.max() scale max_val / levels quantized (image / scale).astype(np.uint8) return quantized # 示例将256级灰度图转为8级 image cv2.imread(texture.jpg, cv2.IMREAD_GRAYSCALE) quantized quantize_gray(image, levels8)图像增强也很重要。当图像对比度不足时可以使用直方图均衡化def enhance_contrast(image): 直方图均衡化增强对比度 return cv2.equalizeHist(image)区域选择是另一个实用技巧。有时我们只关心图像的特定区域这时可以先用OpenCV的ROI功能提取感兴趣区域# 选取图像中心200x200区域 height, width image.shape roi image[height//2-100:height//2100, width//2-100:width//2100]2.2 GLCM计算与参数优化有了预处理后的图像我们就可以深入GLCM计算了。scikit-image库中的greycomatrix函数是我们的主力工具但要用好它必须理解每个参数的影响from skimage.feature import greycomatrix # 完整参数示例 glcm greycomatrix( image, distances[1, 2, 3], # 多个距离 angles[0, np.pi/4, np.pi/2, 3*np.pi/4], # 四个方向 levels8, # 灰度级数 symmetricTrue, # 对称矩阵 normedTrue # 归一化 )经过多次项目实践我发现几个经验法则对于精细纹理(如织物)使用小距离(1-3像素)对于粗糙纹理(如地形)使用大距离(5-10像素)灰度级数通常8-64级足够级数太高反而引入噪声一定要设置normedTrue进行归一化使不同图像的GLCM可比可视化GLCM能帮助我们直观理解矩阵的含义def plot_glcm(glcm, level0, angle0): 绘制指定距离和方向的GLCM matrix glcm[:, :, level, angle] plt.imshow(matrix, cmapgray) plt.colorbar() plt.title(fGLCM (距离{level1}, 角度{angle*45}°)) plt.show() # 绘制距离1角度0度(水平方向)的GLCM plot_glcm(glcm, level0, angle0)一个典型的GLCM可视化结果会显示对角线附近的亮点这表明图像中相邻像素灰度值相似的区域较多 - 这正是均匀纹理的特征。3. 纹理特征提取实战3.1 六大核心特征详解GLCM本身只是一个统计矩阵真正有用的是从中提取的各种纹理特征。scikit-image提供了6种最常用的特征对比度(Contrast)度量图像局部变化的强度。高对比度值表示纹理粗糙。相异性(Dissimilarity)类似于对比度但对微小变化更敏感。同质性(Homogeneity)测量局部均匀性。值越大纹理越均匀。能量(Energy)又称角二阶矩(ASM)反映图像灰度分布的均匀程度。相关性(Correlation)衡量像素灰度值的线性依赖关系。熵(Entropy)表征纹理的随机性需要额外计算。from skimage.feature import greycoprops # 计算所有特征 features {} properties [contrast, dissimilarity, homogeneity, energy, correlation] for prop in properties: features[prop] greycoprops(glcm, prop)在实际项目中我发现这些特征各有侧重检测表面缺陷时对比度和相异性最有效区分材质类型时同质性和能量更可靠相关性对方向性强的纹理(如木材纹路)特别敏感3.2 高级特征工程技巧基础特征虽然有用但在复杂场景中往往不够。经过多个项目的积累我总结了几种提升特征表达能力的方法多尺度分析组合不同距离的GLCM特征# 计算多距离特征 def multi_scale_features(image): distances [1, 3, 5] glcm greycomatrix(image, distancesdistances, angles[0], levels8) features [] for d in range(len(distances)): for prop in [contrast, homogeneity]: features.append(greycoprops(glcm[:, :, d, :], prop)) return np.hstack(features)方向融合将四个方向的特征取均值或极值# 四方向特征融合 angles [0, np.pi/4, np.pi/2, 3*np.pi/4] glcm greycomatrix(image, distances[1], anglesangles, levels8) contrast greycoprops(glcm, contrast) mean_contrast np.mean(contrast) # 方向平均对比度 max_contrast np.max(contrast) # 方向最大对比度区域划分将图像分块后提取局部特征def local_features(image, window_size64): 滑动窗口提取局部特征 h, w image.shape features [] for i in range(0, h-window_size, window_size//2): for j in range(0, w-window_size, window_size//2): patch image[i:iwindow_size, j:jwindow_size] glcm greycomatrix(patch, [1], [0], levels8) f greycoprops(glcm, contrast) features.append(f) return np.array(features)4. 完整项目实战与可视化4.1 端到端纹理分析流程让我们通过一个完整的项目案例将前面学到的知识串联起来。假设我们要开发一个木材纹理分类系统区分松木、橡木和胡桃木。步骤1数据准备收集三类木材的表面图像各100张统一调整为512x512大小。import os import cv2 def load_dataset(data_dir): classes [pine, oak, walnut] images [] labels [] for label, cls in enumerate(classes): cls_dir os.path.join(data_dir, cls) for file in os.listdir(cls_dir): img cv2.imread(os.path.join(cls_dir, file), cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (512, 512)) images.append(img) labels.append(label) return np.array(images), np.array(labels)步骤2特征提取为每张图像提取多尺度GLCM特征。def extract_features(images): features [] for img in images: # 量化灰度 img_q quantize_gray(img, levels16) # 多距离GLCM glcm greycomatrix(img_q, distances[1, 3, 5], angles[0, np.pi/4, np.pi/2, 3*np.pi/4], levels16, symmetricTrue, normedTrue) # 提取特征 f [] for prop in [contrast, homogeneity, energy]: temp greycoprops(glcm, prop) f.append(temp.ravel()) features.append(np.concatenate(f)) return np.array(features)步骤3分类模型训练使用随机森林进行分类。from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split # 加载数据 images, labels load_dataset(wood_textures) # 提取特征 X extract_features(images) y labels # 划分训练测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2) # 训练模型 model RandomForestClassifier(n_estimators100) model.fit(X_train, y_train) # 评估 accuracy model.score(X_test, y_test) print(f测试准确率: {accuracy:.2f})4.2 高级可视化技巧好的可视化能让纹理特征分析事半功倍。除了基础的GLCM矩阵显示我还有几个实用技巧特征热力图展示特征在图像上的空间分布def feature_map(image, window_size64): 生成特征热力图 h, w image.shape map_contrast np.zeros_like(image, dtypenp.float32) map_homogeneity np.zeros_like(image, dtypenp.float32) for i in range(0, h-window_size, window_size//4): for j in range(0, w-window_size, window_size//4): patch image[i:iwindow_size, j:jwindow_size] glcm greycomatrix(patch, [1], [0], levels16) contrast greycoprops(glcm, contrast) homo greycoprops(glcm, homogeneity) # 将特征值赋给窗口中心区域 map_contrast[i:iwindow_size//4, j:jwindow_size//4] contrast map_homogeneity[i:iwindow_size//4, j:jwindow_size//4] homo # 可视化 plt.figure(figsize(12, 6)) plt.subplot(131) plt.imshow(image, cmapgray) plt.title(原始图像) plt.subplot(132) plt.imshow(map_contrast, cmaphot) plt.title(对比度热力图) plt.subplot(133) plt.imshow(map_homogeneity, cmaphot) plt.title(同质性热力图) plt.show()特征空间分布用散点图展示不同纹理在特征空间中的分布def plot_feature_space(X, y): 二维特征空间可视化 # 使用PCA降维 from sklearn.decomposition import PCA pca PCA(n_components2) X_pca pca.fit_transform(X) plt.figure(figsize(8, 6)) for label, name in enumerate([松木, 橡木, 胡桃木]): plt.scatter(X_pca[ylabel, 0], X_pca[ylabel, 1], labelname) plt.xlabel(主成分1) plt.ylabel(主成分2) plt.title(不同木材纹理在特征空间中的分布) plt.legend() plt.show()动态参数探索交互式调整GLCM参数并实时观察效果from ipywidgets import interact def interactive_glcm(image): interact( distance(1, 10, 1), angle[0, 45, 90, 135], levels[8, 16, 32, 64] ) def explore_glcm(distance1, angle0, levels16): angle_rad np.deg2rad(angle) glcm greycomatrix(image, distances[distance], angles[angle_rad], levelslevels) plt.figure(figsize(10, 4)) plt.subplot(121) plt.imshow(image, cmapgray) plt.title(原始图像) plt.subplot(122) plt.imshow(glcm[:, :, 0, 0], cmaphot) plt.title(fGLCM (距离{distance}, 角度{angle}°, 灰度级{levels})) plt.colorbar() plt.show()通过这些可视化方法我们可以直观地理解不同参数对GLCM分析的影响以及各类纹理在特征空间中的分布规律。
Python实战：从零构建灰度共生矩阵(Glcm)纹理分析工具，附完整代码与可视化解析
1. 灰度共生矩阵(GLCM)入门指南第一次接触灰度共生矩阵(GLCM)这个概念时我也被这个拗口的专业术语吓到了。但当我真正理解它后发现这其实就是一种描述图像纹理特征的数学工具。想象一下你面前有一块布料用手摸上去能感受到它的粗糙程度、纹路走向 - GLCM就是用数字来量化这种感觉的方法。GLCM全称Gray-Level Co-occurrence Matrix直译就是灰度共同出现矩阵。它的核心思想很简单统计图像中特定距离和方向上成对出现的像素灰度值组合。比如我们设定距离为1像素方向为水平向右那么就会统计所有水平相邻的两个像素的灰度值组合出现的频率。在实际应用中GLCM最常见的用途包括医学图像分析如肿瘤组织识别遥感图像分类区分森林、农田、城市等工业质检检测产品表面缺陷生物特征识别指纹、虹膜等# 最简单的GLCM示例 import numpy as np from skimage.feature import greycomatrix # 创建一个10x10的随机灰度图像(0-15灰度级) image np.random.randint(0, 16, (10, 10)) # 计算GLCM距离1水平方向0度 glcm greycomatrix(image, distances[1], angles[0], levels16) print(glcm[:, :, 0, 0]) # 打印距离1角度0度的共生矩阵这个简单例子展示了如何生成一个基础的GLCM。但要让GLCM真正发挥作用我们还需要深入理解几个关键参数灰度级数(levels)决定了矩阵的维度。8级就是8x8矩阵256级就是256x256矩阵。级数越多保留的细节越丰富但计算量也越大。距离(distance)定义相邻像素的距离。可以是[1,2,3]等多个距离距离越大捕捉的纹理特征越宏观。角度(angles)通常取0°、45°、90°、135°四个方向以全面捕捉纹理的方向特性。2. 从零构建GLCM分析工具2.1 图像预处理实战在实际项目中直接对原始图像计算GLCM往往效果不佳。就像做菜前要洗菜切菜一样图像也需要适当的预处理。我总结了几种最常用的预处理方法灰度量化是最关键的一步。虽然现代图像通常是256级灰度但实际计算时我们往往需要降低灰度级数。就像把照片从高清变成标清虽然损失了细节但突出了主要特征。def quantize_gray(image, levels8): 将图像量化为指定灰度级 max_val image.max() scale max_val / levels quantized (image / scale).astype(np.uint8) return quantized # 示例将256级灰度图转为8级 image cv2.imread(texture.jpg, cv2.IMREAD_GRAYSCALE) quantized quantize_gray(image, levels8)图像增强也很重要。当图像对比度不足时可以使用直方图均衡化def enhance_contrast(image): 直方图均衡化增强对比度 return cv2.equalizeHist(image)区域选择是另一个实用技巧。有时我们只关心图像的特定区域这时可以先用OpenCV的ROI功能提取感兴趣区域# 选取图像中心200x200区域 height, width image.shape roi image[height//2-100:height//2100, width//2-100:width//2100]2.2 GLCM计算与参数优化有了预处理后的图像我们就可以深入GLCM计算了。scikit-image库中的greycomatrix函数是我们的主力工具但要用好它必须理解每个参数的影响from skimage.feature import greycomatrix # 完整参数示例 glcm greycomatrix( image, distances[1, 2, 3], # 多个距离 angles[0, np.pi/4, np.pi/2, 3*np.pi/4], # 四个方向 levels8, # 灰度级数 symmetricTrue, # 对称矩阵 normedTrue # 归一化 )经过多次项目实践我发现几个经验法则对于精细纹理(如织物)使用小距离(1-3像素)对于粗糙纹理(如地形)使用大距离(5-10像素)灰度级数通常8-64级足够级数太高反而引入噪声一定要设置normedTrue进行归一化使不同图像的GLCM可比可视化GLCM能帮助我们直观理解矩阵的含义def plot_glcm(glcm, level0, angle0): 绘制指定距离和方向的GLCM matrix glcm[:, :, level, angle] plt.imshow(matrix, cmapgray) plt.colorbar() plt.title(fGLCM (距离{level1}, 角度{angle*45}°)) plt.show() # 绘制距离1角度0度(水平方向)的GLCM plot_glcm(glcm, level0, angle0)一个典型的GLCM可视化结果会显示对角线附近的亮点这表明图像中相邻像素灰度值相似的区域较多 - 这正是均匀纹理的特征。3. 纹理特征提取实战3.1 六大核心特征详解GLCM本身只是一个统计矩阵真正有用的是从中提取的各种纹理特征。scikit-image提供了6种最常用的特征对比度(Contrast)度量图像局部变化的强度。高对比度值表示纹理粗糙。相异性(Dissimilarity)类似于对比度但对微小变化更敏感。同质性(Homogeneity)测量局部均匀性。值越大纹理越均匀。能量(Energy)又称角二阶矩(ASM)反映图像灰度分布的均匀程度。相关性(Correlation)衡量像素灰度值的线性依赖关系。熵(Entropy)表征纹理的随机性需要额外计算。from skimage.feature import greycoprops # 计算所有特征 features {} properties [contrast, dissimilarity, homogeneity, energy, correlation] for prop in properties: features[prop] greycoprops(glcm, prop)在实际项目中我发现这些特征各有侧重检测表面缺陷时对比度和相异性最有效区分材质类型时同质性和能量更可靠相关性对方向性强的纹理(如木材纹路)特别敏感3.2 高级特征工程技巧基础特征虽然有用但在复杂场景中往往不够。经过多个项目的积累我总结了几种提升特征表达能力的方法多尺度分析组合不同距离的GLCM特征# 计算多距离特征 def multi_scale_features(image): distances [1, 3, 5] glcm greycomatrix(image, distancesdistances, angles[0], levels8) features [] for d in range(len(distances)): for prop in [contrast, homogeneity]: features.append(greycoprops(glcm[:, :, d, :], prop)) return np.hstack(features)方向融合将四个方向的特征取均值或极值# 四方向特征融合 angles [0, np.pi/4, np.pi/2, 3*np.pi/4] glcm greycomatrix(image, distances[1], anglesangles, levels8) contrast greycoprops(glcm, contrast) mean_contrast np.mean(contrast) # 方向平均对比度 max_contrast np.max(contrast) # 方向最大对比度区域划分将图像分块后提取局部特征def local_features(image, window_size64): 滑动窗口提取局部特征 h, w image.shape features [] for i in range(0, h-window_size, window_size//2): for j in range(0, w-window_size, window_size//2): patch image[i:iwindow_size, j:jwindow_size] glcm greycomatrix(patch, [1], [0], levels8) f greycoprops(glcm, contrast) features.append(f) return np.array(features)4. 完整项目实战与可视化4.1 端到端纹理分析流程让我们通过一个完整的项目案例将前面学到的知识串联起来。假设我们要开发一个木材纹理分类系统区分松木、橡木和胡桃木。步骤1数据准备收集三类木材的表面图像各100张统一调整为512x512大小。import os import cv2 def load_dataset(data_dir): classes [pine, oak, walnut] images [] labels [] for label, cls in enumerate(classes): cls_dir os.path.join(data_dir, cls) for file in os.listdir(cls_dir): img cv2.imread(os.path.join(cls_dir, file), cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (512, 512)) images.append(img) labels.append(label) return np.array(images), np.array(labels)步骤2特征提取为每张图像提取多尺度GLCM特征。def extract_features(images): features [] for img in images: # 量化灰度 img_q quantize_gray(img, levels16) # 多距离GLCM glcm greycomatrix(img_q, distances[1, 3, 5], angles[0, np.pi/4, np.pi/2, 3*np.pi/4], levels16, symmetricTrue, normedTrue) # 提取特征 f [] for prop in [contrast, homogeneity, energy]: temp greycoprops(glcm, prop) f.append(temp.ravel()) features.append(np.concatenate(f)) return np.array(features)步骤3分类模型训练使用随机森林进行分类。from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split # 加载数据 images, labels load_dataset(wood_textures) # 提取特征 X extract_features(images) y labels # 划分训练测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2) # 训练模型 model RandomForestClassifier(n_estimators100) model.fit(X_train, y_train) # 评估 accuracy model.score(X_test, y_test) print(f测试准确率: {accuracy:.2f})4.2 高级可视化技巧好的可视化能让纹理特征分析事半功倍。除了基础的GLCM矩阵显示我还有几个实用技巧特征热力图展示特征在图像上的空间分布def feature_map(image, window_size64): 生成特征热力图 h, w image.shape map_contrast np.zeros_like(image, dtypenp.float32) map_homogeneity np.zeros_like(image, dtypenp.float32) for i in range(0, h-window_size, window_size//4): for j in range(0, w-window_size, window_size//4): patch image[i:iwindow_size, j:jwindow_size] glcm greycomatrix(patch, [1], [0], levels16) contrast greycoprops(glcm, contrast) homo greycoprops(glcm, homogeneity) # 将特征值赋给窗口中心区域 map_contrast[i:iwindow_size//4, j:jwindow_size//4] contrast map_homogeneity[i:iwindow_size//4, j:jwindow_size//4] homo # 可视化 plt.figure(figsize(12, 6)) plt.subplot(131) plt.imshow(image, cmapgray) plt.title(原始图像) plt.subplot(132) plt.imshow(map_contrast, cmaphot) plt.title(对比度热力图) plt.subplot(133) plt.imshow(map_homogeneity, cmaphot) plt.title(同质性热力图) plt.show()特征空间分布用散点图展示不同纹理在特征空间中的分布def plot_feature_space(X, y): 二维特征空间可视化 # 使用PCA降维 from sklearn.decomposition import PCA pca PCA(n_components2) X_pca pca.fit_transform(X) plt.figure(figsize(8, 6)) for label, name in enumerate([松木, 橡木, 胡桃木]): plt.scatter(X_pca[ylabel, 0], X_pca[ylabel, 1], labelname) plt.xlabel(主成分1) plt.ylabel(主成分2) plt.title(不同木材纹理在特征空间中的分布) plt.legend() plt.show()动态参数探索交互式调整GLCM参数并实时观察效果from ipywidgets import interact def interactive_glcm(image): interact( distance(1, 10, 1), angle[0, 45, 90, 135], levels[8, 16, 32, 64] ) def explore_glcm(distance1, angle0, levels16): angle_rad np.deg2rad(angle) glcm greycomatrix(image, distances[distance], angles[angle_rad], levelslevels) plt.figure(figsize(10, 4)) plt.subplot(121) plt.imshow(image, cmapgray) plt.title(原始图像) plt.subplot(122) plt.imshow(glcm[:, :, 0, 0], cmaphot) plt.title(fGLCM (距离{distance}, 角度{angle}°, 灰度级{levels})) plt.colorbar() plt.show()通过这些可视化方法我们可以直观地理解不同参数对GLCM分析的影响以及各类纹理在特征空间中的分布规律。
