第 卷 第 22 2012 年 11 期 11 月 计 算 机 技 术 与 发 展 COMPUTER TECHNOLOGY AND DEVELOPMENT Vol． 22 No． 11 Nov． 2012 灰度共生矩阵纹理特征提取的 Matlab 实现 焦蓬蓬，郭依正，刘丽娟，卫 星 ( 南京师范大学泰州学院，江苏 泰州 225300) 基于内容的图像检索 、 ) 的纹理特征提取方法，给出了基于 GLCM 分析结果对优化灰度共生矩阵的构造 摘 要: 图像的特征提取是图像的识别和分类 的纹理特征对描述图像内容具有重要意义，纹理特征提取已成为目前图像领域研究的热点 生矩阵( 的影响 要参考意义 关键词: 灰度共生矩阵; 纹理特征; 中图分类号: TP391． 9 实现基于灰度共生矩阵( 、 Matlab 文献标识码: A 图像数据挖掘等研究内容的基础性工作，其中图像 、 文中深入研究了基于灰度共 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵 ) 的特定图像的纹理特征提取等都具有重 文章编号: 1673－629X( 2012) 11－0169－03 Matlab GLCM 。 。 。 Implementation of Gray Level Co－occurrence Matrix Texture Feature Extraction Using Matlab JIAO Peng －peng，GUO Yi－zheng，LIU Li－juan，WEI Xing ( Taizhou College of Nanjing Normal University，Taizhou 225300，China) Abstract: The texture feature extraction of image is a foundational w ork for image recognition and classification，content－based image re- trieval，image data mining，etc． The texture feature of image is significant for description of image content． And it is a hot topic in the re- search of image now ． The method of texture feature extraction based on gray level co －occurrence matrix ( GLCM ) w as studied． Analyzed the effect of each parameter on constructing the co －occurrence matrix and implemented the feature extraction using M atlab． The analytical results provide valuable reference for creating GLCM better and extracting texture features of specific kinds of images． Key words: gray level co －occurrence matrix; texture feature; M atlab 0 引 言 ］ 1 。 所示 纹理是图像的一个重要属性，它是图像像素颜色 或灰度在空间以一定形式变化而产生的图案［ 图像 的纹理特征客观存在，反映了图像本身的属性，对它的 直观理解如图 图像纹理特征与其周围的灰度 变化规律密切相关，一般而言，图像区域越平滑，其像 素灰度彼此也越接近，而粗糙区域的像素灰度变化则 年代，此后， 较大 在图像分割 模式识别等领域都得到了广泛 、 的应用 纹理分析的研究兴起于 纹理合成 、 世纪 70 。 。 20 1 。 纹理特征提取作为图像识别 基于内容的图像检 、 图像数据挖掘等研究内容的首要问题，一直是图像 、 等人提出的灰度共生 ) 是 被 广 泛 应 用 的 纹 理 特 征 提 取 算 文中对此做了深入研究，总结了灰度共生矩阵 索 领域研究的热点，其中 矩阵法( 法［ Haralick GLCM ］ 2 。 收稿日期: 2012－03－20; 修回日期: 2012－06－24 基金项目: 国家 “ 作者简介: 焦蓬蓬( 理 计划课题( 十一五 ” FIB070335－B8－04 ) 1981 －) ，女，硕士，讲师，研究方向为数字信号处 。 纹理特征提取的研究进展，并给出了基于 的简 便实现代码，在此基础上，分析了共生矩阵各个构造参 数对构造共生矩阵的影响 M atlab 。 1 灰度共生矩阵纹理特征提取的研究进展 等人提出的灰度共生矩阵: Haralick ) 计算量较大，在计算的时候要考虑四个变量， ( 一般有四种取 ，方向 1 θ N 计算窗口大小 值 ，图像灰度级 00 、450 、900 、1350 ) 和距离 2 d L ; 出各纹理所处的空间位置关系; ) 对包含不同纹理区域的图像，不能很好地表现 ) 提取的特征没能很好地表达图像的全局信息; ) 个 提出的用于分析灰度共生矩阵的 Haralick 3 4 特征并非都是不相关的，即提取特征存在冗余 所以后继研究者对该算法的研究和改进有很多 笔者认为这种研究和改进大体可以归为三大类 一类旨在研究生成共生矩阵时各个参数的最佳选 ］针对断口图像识别，利用可分性 如文献［ 3 等 ; 文 献 择问题 判据 ，得 到 最 优 灰 度 级 为 ，距 离 。 L = 3 2 d = 5 14 。 。 。 

·071· 计算机技术与发展 第 22 卷 ［ ］针对 4 的不同而变化的曲线 Brodatz 。 纹理库，绘制了部分特征随参数选取 。 另一类旨在研究提取的特征中哪些具有最大的识 ］实验并提出基于 如文献［ 别能力 所提取的 5 对比度和熵具有最大的识别能力; 纹理特征中逆差矩 、 个纹理特征中，仅 ］提到在基于 如文献［ 6 个特征( 角二阶矩 相关性) 是 有 、 不相关的 的 逆差分矩 、 GLCM 对比度 、 GLCM 14 4 。 。 如为解决 还有一类旨在改进传统灰度共生矩阵纹理特征提 取方法，以适应各种新需要 在彩色 图像上的应用，文献［ ］将彩图转换为灰度图进行分 7 块与压缩，提取了各分块的共生矩阵来表示原图纹理 再如，为了减少灰度共生矩阵的计算量，后人提 特征 出了灰度共生链表( 灰度共生混合结构 、 ( ) 算法等 ) 算法 ) 算法 GLCLL GLCM 。 灰度共生集成( 、 GLCHS GLCIA 。 8 ， ］ 9 2 基于灰度共生矩阵的纹理特征提取 共生矩阵反映了图像灰度分布关于方向 变化幅 、 方向上， θ 出现的概 ) 为图像像素坐标在 ， y 表示图像灰度级， 度和局部领域的综合信息［ 相隔距离 率，记为 ( 分别为图像行 则像素对 x ) 的点所对应的灰度值， L 的一对像素分别具有灰度值 其定义为在 和 ( f x＇， y＇) = j 在四个方向上的 。 和 Lr、Lc ， ) θ ， ; j ， y d ( 设 。 。 P d x ( i i f j 列的维数 、 ) = i ( 共生矩阵分别定义如下: { ( ( ， y x f ( ) P ， Lc i d ， ; j 00 ) = # ， ， | x＇ － x = 0 ) ，( ， y x y＇) ) x＇， ， ( ， y x f ∈ ) = i | y＇ － y | = d ( } j ( Lr Lr i ( ) ， ; j ( P ， Lc | ) ， ( x f ， ( ; j P i x d ) ，( ) ， y { ( ( ， 450 ) = # ， y＇ － y = d x＇ － x = d y＇) = j x＇， ) = i ， ， ( y f ， ， 900 ) = # { ( ( y } ) ，( d x = － d ( x＇， ( or y＇) ) Lr x＇ － x = － d ∈ x＇， y＇) ) ∈ C1 。 ， ) ］2 θ L －1 L －1 ( ［ P ， ; j C1 = ∑ ( d ) 对比度( 惯性矩) ∑ i = 0 j = 0 i 2 C2 。 ， ( ; j i ) 2 P ， ) θ L －1 L －1 ( C2 = ∑ ( d ) 逆差分矩( 局部平稳性) ∑ i － j i = 0 j = 0 1 3 L －1 L －1 ( ， ， ) ; ［P j i θ 1 + ( ) 2 i － j d ∑ j = 0 ］ C3 = ∑ ) 熵 ( i = 0 4 C4 。 C3 。 L －1 L －1 C4 = ∑ i = 0 ∑ j = 0 ( P ， ; j i ， ) θ d ( ， ; j i ， ) θ d lgP 个特 14 ( ) 5 ( ) 6 ( ) 7 ( ) 8 图 1 纹理的示例 ， ) Lc Lr ( } j ( Lr y = d | | x＇ － x | = d ， y＇ － y = 0 ( x ∈ ， y ， ( f ， ( f ) = i x＇， ) ，( y＇) ) ( ) x＇ － x = － d or x＇， y＇) = ( ) 3 ) × ， Lc ， y＇ － ) ( 此外，通 ，可获得归一化共生矩 。 Lr 4 i x d ( ) ， y { ( ( 1350 ) = # ， ， ; j P ， ( ， y＇ － y = － d x＇ － x = d | Lc ) ， y＇) = j x＇， ， ( ) = i ， ( y f x f 其中， 表示在该集合中的元素的数目 # ， ， ) ) = P P＇( d θ θ 为归一化常数［ ］ 10 ， ; j / R d } ( i ， ; 过 j 阵，其中 i R 。 提出的用于分析灰度共生矩阵的 Haralick 征中，常用的特征参数有［ ) 角二阶矩( 能量) ( ］: 11 3 灰度共生矩阵纹理特征提取实例及 M at- 的灰度图像来说明灰度共生矩 即( 4 0 ～ 3 ) ，如表 4 ° ， 0 ° ， 1 90 ° ， 所示 135 ° ) 的共 。 lab 实现 下面以一幅 4 × 4 阵的计算，设灰度级为 当取 d = 1 时，其四个方向( 生矩阵如下所示［ ］: 1 ( P ， ; j i ， 00 ) = 1      4 2 1 0 2 4 0 0 1 0 6 1      0 0 1 2 ) × ， ( Lc Lr y＇) = x＇， ， ( f ( ) 1 ， ) × Lc ， y＇ － y ( ) 2 ) × ， Lc Lr ( 

第 11 期 焦蓬蓬等: 灰度共生矩阵纹理特征提取的 实现 Matlab ·171· ( P ， ; j i ， 450 ) = 1      2 1 3 0 1 2 1 0 3 1 0 2      0 0 2 0 开始的，而图像的灰度值是介于 0 － ( 程序运行结果如下，提取的角二阶矩 时 秒 简单且快速 可见，文中使用 Matlab 0． 015 。 。 L － 1 ) 之间的 。 ，用 C1 = 0． 1173 给出的实现方法 表 1 一幅 4* 4 的源图像示例 q = 0． 1111 0． 0556 0． 1667 0． 0556 0． 1667 0． 1111 0． 0556 0 0 0． 0556 0 0． 1111 0 0 0． 1111 0 0． 1173 c1 = Elapsed time is 0． 015000 seconds． 4 结束语 前已述及，计算 时要考虑四个变量，计算窗 GLCM ，方向 和距离 θ d 。 口大小 ，图像灰度级 N ) 对于计算窗口 L ( 1 N 的选取，不宜过大或过小，过 大将导致计算和存储量大，但过小又导致不能包含完 一般而言，当图像大小确定后，计算窗 整的纹理信息 口就随之确定，除非对图像分块处理或者确定图像的 。 ( ( ROI Region Of Interest ) 对于灰度级 ) 区域后再提取 GLCM。 的选取，灰度级决定了 L 2 GLCM 的计算规模，降低灰度级可以提高计算速度和减少存 储空间需求，且适当降低灰度级还可以减少噪声对图 像的影响，但过小的灰度级会破坏有用纹理的成分 。 的选择，共生矩阵在精细纹理中 随距离而快速变化，而在粗糙纹理中随距离则变化缓 一般而言，对于平滑纹理用较大的距离，对于粗糙 慢 纹理用较小的距离会取得较好的效果 ) 对于距离 。 3 d ( 。 ( θ 4 的选择，一般有四种取值 可以考察不同的纹理，不同 ) 对于方向 00 、450 、 θ 900 、1350 ，通过不同 生 成的共生矩阵中包含不同的纹理信息，一般而言，在考 虑方向时，往往是分别计算四个方向灰度共生矩阵所 确定的纹理特征值，然后以各方向特征值的均值作为 最终纹理分量 θ 。 基于灰度共生矩阵的纹理特征提取是分析图像纹 理的有利工具，文中对灰度共生矩阵纹理特征提取的 研究进展做了分类，给出了基于 的简便实现代 码，分析了共生矩阵各个构造参数对构造共生矩阵的 影响 合理 、 选取计算共生矩阵时的构造参数 优化基于灰度共生 、 矩阵的图像纹理特征提取等均有重要参考意义 分析结果对减少灰度共生矩阵的计算量 Matlab 。 。 参考文献: ［ ］ 郭依正 1 ］ 基于多特征融合的医学图像识别研究［ D ． ． 镇江: 江苏大学， ［ ］ 2 Haralick R M 2007． ， Shanmngam K ， Dinstein I． Texture feature for ( 下转第 175 页) 0 0 0 2 0 0 2 2 ( P ， ; j i ， 900 ) = 1 ( P ， ; j i ， 1350 ) = 1 0 4 2 0 1 2 2 2 2 2 2 0 2 4 6 0 2      0      4 1 0 0 1 1 2 3 1 1 2 3 0 0 2 0           0 0 1 编程工具采用 的原始图像，取 计算其角二阶矩 d = 1 C1 0 0 1 ，对上述 M atlab7． 0 ， L = 4 N = 4 × 4 ， θ = 45 ° ，提取灰度共生矩阵 并 特征的源程序如下: q ; 0 0 1 1 ; ; 0 2 2 2 2 2 3 3 ］; pix ( ) ; L ; L = 4 ， ) ) ; L zeros tic pix =［ ［ m n 0 0 1 1 ( ］= size q = double ( : for i = 1 m －1 : for j = 1 n－1 ( pix ) +1 ; i ( ， j+1 i+1 pix ( q ) +1 end end for i = 2 : m ， ) +1 j ， pix ( ， j+1 ) +1 ) = q ( i+1 ( ， j ) +1 i ， pix for j = 2 ( ， j－1 i－1 pix ( q ) +1 end : n ( pix ) +1 ， ) +1 j ， pix i ( ， j－1 ) +1 ) = q ( i－1 ( ， j ) +1 i ， pix ; end R = 2* for i = 1 ( : ) * ( L －1 ) ; L －1 ; c1 = 0 L : for j = 1 ( L ) = q ( ， j ( c1 = c1+q q i ; ， ) i j ， ) j i / R ; ^2 end end q c1 toc 其中原程序中还实现了对矩阵 理解这段程序时应当注意 Matlab 矩阵下标是从( ) ， 1 1 的归一化处理， q 

第 11 期 李 雷等: 一种基于几何分布的新支持向量机多分类方法 ·571· 表 2 实验结果 数据集 测试项 One－against－one One－against－rest 文中算法 Segment satimage Vehicle 最优参数 γ = 0． 0526 训练时间 测试时间 分类正确率 最优参数 γ = 0． 0278 训练时间 测试时间 分类正确率 最优参数 γ = 0． 0278 训练时间 测试时间 分类正确率 C = 45 C = 312 C = 466 0． 908 0． 625 1． 890 0． 377 1． 234 0． 328 97． 473% 95． 56% 97． 033% C = 22 C = 45 C = 390 4． 687 5． 343 8． 890 2． 78 8． 718 2． 703 89． 15% 88． 8% 88． 85% C = 87 C = 45 C = 87 0． 718 0． 171 0． 76 0． 136 0． 812 0． 125 91． 096% 89． 8% 91． 781% 4 结束语 SVM SVM 文中在简要分析常见 多分类算法的基础上， 分析了基于二叉树 多分类算法二叉树结构的重 要性，在同时考虑分类准确率和分类效率的基础上，并 考虑到多分类中类的分布情况，文中定义新的分离度 和相似度来衡量两个类的分离程度，并且提出了一中 新的基于几何分布二叉树支持向量机多分类算法 实 验结果表明该算法有较高的准确率和分类效率 。 。 参考文献: ［ ］ 1 Vapnik V． The nature of statistical learning theory : York Springer－Verlag ， 1995． ［ ］ 2 Weston J ， Watkins C． Multi － class support vector machines ［ ］ M ． New ［ ］ C / / Proc． of ESANN99． Brussels ， Belgium : ［ s． n． ］， 1999． Krebel U． Pairwise Classification and Support Vector Machines ［ M / / Advances in Kernel Methods Support Vector Learn- ］ ing． Cambridge ， MA : ， ， MIT Press 1999 ， Denker J ， Cortes C Bottou L : methods et al． Comparison of classifier a case study in handwriting digit recognition ］: ［ ［ Proc． of Int． Conf． on Pattern Recognition． s． l． s． n． / / ］， : 1994 Platt J 77－87． ， Cristianini N ， Shawe－Taylor J． Large Margin DAG＇s for ［ ］ C : : 255－268． ［ ］ 3 ［ ］ 4 ［ ］ 5 Multiclass Classification ［ ］ M / / Advances in Neural Informa- ， ， : MA MIT Press tion Processing Systems 12． Cambridge : 2000 547－553． ［ ］ 唐发明，王仲东，陈绵云 6 ． 一种新的二叉树多类支持向量机 ］ 算法［ J ． 计算机工程与应用， 2005 ( ， 41 7 ) : 24－26． ［ ］ 赵 晖，荣莉莉，李 晓 7 ． 一种设计层次支持向量机多类分 ］ 类器的新方法［ J ． 计算机应用研究， 2006 ( ) : 6 34－37． ［ ］ 8 Madzarov G ， Gjorgjevikj D． Multi － class classification using support vector machines in decision tree architecture ［ ］ C / / Proceedings of EUROCON． ［ s． l． ］: ［ s． n． ］， 2009 : 288－295． ［ ］ 9 L Zhigang ， L Deren ， Q Qianqing． An analytical overview of ［ ］ methods for multi－category support vector machines J ， ( 40 nal of computer engineering and application ， 2004 7 ． Jour- ) : 10 －13． ［ ］ 史朝辉，王晓丹，赵士敏，等 改进的 决策树分类算法 10 ］ ［ J ． SVM 空军工程大学学报: 自然科学版， ． ( ) : 2 32－35． 2006 ［ ］ 夏思宇，潘 泓，金立左 11 非平衡二叉树多类支持向量机多 ． ］ 分类方法［ J ． 计 算 机 工 程 与 应 用， 2009 ， 45 ( 17 ) : 167 － 169． ］ 唐发明，王仲东，陈绵云 ． ， 20 ］ 谢志强，高 丽，杨 静 控制与决策， ］ ［ J ． 2005 支持向量机多类分类算法研究 ( ) : 7 746－749． 基于球结构的完全二叉树 ［ 12 ［ 13 SVM ． ］ 多类分类算法［ J ． 计算机应用研究， 2008 ， 25 ( 11 ) : 3268 － 3270． 檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪 ( 上接第 171 页) image classification ， 1973 ) : ［ ］ 余丽萍，黎 明，杨小芹，等 3 and Cybernetics 6 ［ ］ J ， 3 ］ 像识别［ J ． 计算机仿真， 2010 ． IEEE Transactions on Systems ( 768－780． 基于灰度共生矩阵的断口图 ， 27 224－227． ) : 4 ( ． ， Man ［ ］ 7 Takahashi N ， Iwasaki M ， et al． Image retrieval u- sing spatial intensity features ． Signal Processing : Image ， Kunieda T ［ ］ J ) : ( 1－2 45－57． ， Communication 2000 ［ ］ 焦蓬蓬，郭依正 8 ． ， 16 特征级数据融合在医学图像检索中的应 ［ ］ 苑丽红，付 丽，杨 勇，等 4 ． 灰度共生矩阵提取纹理特征 ］ 用［ J ． 计算机工程与应用， 2010 ( ， 46 6 ) : 217－220． ］ 的实验结 果 分 析［ J ． 计 算 机 应 用， 2009 ， 29 ( 4 ) : 1018 － ［ ］ 姜 鹤，陈丽亚 9 ． SVM 文本分类中一种新的特征提取方法 1021． ［ ］ 5 Equitz W ， Niblack W． Retrieving Images from a Database U- ］: ［ ］ ［ R ． s． l． sing Texture－algorithms from the QBIC System ［ ］， 1994． 基于纹理及光谱信息融合的遥感图像分类方法研 西安: 西安电子科技大学， s． n． 2010． ］ 王知鸷 ［ ． 6 ］ 究［ D ． ］ ［ J ． 计算机技术与发展， 2010 ( ， 20 3 ) : 17－19． ［ ］ 谢 菲 10 图像纹理特征的提取和图像分类系统研究及实现 ． ］ ［ D ． 成都: 电子科技大学， 2009． Yao H Y ， Li B C． Generalized co － occurrence matrix method ［ ］ 11 for content － based image retrieval Applications ， 2004 ， 34 ( 6 ) : 98－101． ［ ］ J ． Computer Engineering