当前位置：服务支持 > 软件文章 > 基于MATLAB的GLCM和GLDS纹理特征提取方法

基于MATLAB的GLCM和GLDS纹理特征提取方法

阅读数 2

基于MATLAB的GLCM（灰度共生矩阵）和GLDS（灰度差分统计）纹理特征提取

一、GLCM（灰度共生矩阵）

1. 原理与核心参数

GLCM通过统计图像中像素对的灰度值在特定方向（θ）和距离（d）下的共现频率，构建二维矩阵。主要特征包括：

对比度（Contrast）：衡量灰度差异程度
同质性（Homogeneity）：反映局部灰度均匀性
能量（Energy）：纹理均匀性的度量
熵（Entropy）：纹理复杂度指标

2. MATLAB实现代码

代码块

% 读取图像并灰度化
img = imread('texture.jpg');
grayImg = rgb2gray(img);

% 计算GLCM矩阵（距离d=1，角度θ=0°）
glcm = graycomatrix(grayImg, 'Offset', [0 1], 'NumLevels', 256);

% 提取纹理特征
stats = graycoprops(glcm, {'Contrast', 'Homogeneity', 'Energy', 'Entropy'});
disp(['对比度: ', num2str(stats.Contrast)]);
disp(['同质性: ', num2str(stats.Homogeneity)]);

      复制成功

3. 参数优化建议

距离（d）：通常取1-3像素，过大可能丢失局部特征
角度（θ）：0°,45°,90°,135°四个方向需分别计算
灰度级（NumLevels）：建议256级（8位图像）

二、GLDS（灰度差分统计）

1. 原理与特征

GLDS通过计算相邻像素的灰度差分分布，捕捉纹理的局部变化特性：

一阶统计量：均值、方差、偏度、峰度
二阶统计量：能量、对比度、同质性

2. MATLAB实现代码

代码块

% 计算灰度差分矩阵
[rows, cols] = size(grayImg);
diffMatrix = zeros(rows, cols);
for i = 1:rows-1
   for j = 1:cols-1
       diffMatrix(i,j) = abs(grayImg(i,j) - grayImg(i+1,j+1));
   end
end

% 统计特征
meanVal = mean(diffMatrix(:));
varVal = var(diffMatrix(:));
skewnessVal = skewness(diffMatrix(:));

      复制成功

3. 增强方法

多尺度分析：结合高斯金字塔进行多分辨率处理
方向扩展：增加对角线方向的差分计算

三、方法对比与应用场景

特性GLCMGLDS核心思想基于空间相关性统计基于灰度差异分布统计优势全局纹理特征提取局部纹理细节捕捉适用场景布料、医学影像等规则纹理岩石、指纹等复杂不规则纹理计算复杂度较高（需多方向计算）较低（单次差分计算）

四、工程优化

1. 预处理增强

代码块

% 噪声抑制
denoisedImg = imgaussfilt(grayImg, 1);

% 直方图均衡化
enhancedImg = histeq(grayImg);

      复制成功

2. 特征融合

代码块

% GLCM+GLDS特征融合
combinedFeatures = [stats.Contrast, meanVal, varVal];

      复制成功

3. GPU加速

代码块

% 使用gpuArray加速计算
if canUseGPU
   glcm_gpu = gpuArray(graycomatrix(gpuArray(grayImg)));
   stats_gpu = graycoprops(glcm_gpu, {'Contrast'});
end

      复制成功