python图像纹理提取_提取图像的颜色、纹理特征(传统算法)
Python-Image-feature-extraction
该Python程序用于从图像中获取纹理和色彩特性，并包含快速灰度共现矩阵（GLCM）、LBP特征以及基于矩的颜色统计量等技术。1044197988/Python-Image-feature-extractiongithub.com
原始图片
这里拿高光谱影像图片作为示例，图片大小为512*512。
原始图片
一、纹理特征
1、GLCM
基于GLCM（Gray-level co-occurrence matrix）的方法是一种统计分析手段，在计算灰度图像的基础上生成其共生矩阵；随后通过提取该共生矩阵的部分特征值来表征图像的某些纹理特性（纹理属性的具体定义仍是一个挑战点）。该方法能够综合反映图像中不同方向上的灰度分布情况以及相邻像素间的间距大小和梯度程度等信息特性；它是分析图像局部模式及其排列规律的核心工具。
numpy的快速灰度共现矩阵(GLCM)。
import fast_glcm
from skimage import data
if name == 'main':
img = data.camera()
glcm_mean = fast_glcm.fast_glcm_mean(img)
以上图片标题代表的含义：
(1)均值(Mean)
(2)标准差(Std)
(3)对比度(Contrast)反映了图像细节的变化程度以及纹理结构的复杂性。在分析过程中,我们关注的是具体数值排列情况以及这些数值与图像细节变化程度之间的关系.当纹理结构较为复杂时（即沟纹较深）,对比效果更为显著.因此,在计算过程中我们需要考虑的是这些数值如何反映出图像的整体清晰程度及其内部细节的变化情况.
反映某个像素值与其邻域区域亮度值的变化情况。值得注意的是，在这种情况下图像亮度值的变化速率较快。换言之该区域的纹理较为明显。其对比度随之增大即其纹理越清晰。
(4)在计算对比度的过程中，在使用Dissimilarity指标时（即Dissimilarity），权重会随着矩阵元素与其对角线元素之间距离的变化而以指数方式进行调整。相应地，在采用线性增长策略时，则会获得相异性这一结果。
该指标用于测量图像局部的一致性，在非均匀图像中该指标数值较低而在均匀图像中该指标数值较高。与对比度或相异性不同之处在于其权重会随着像素值与其对角线位置的距离增加而减小这一变化趋势呈指数衰减
角二阶矩 / 能量 (ASM) 灰度共生矩阵 (grey level co-occurrence matrix, GLCM) 用于表征图像灰度分布的均匀性以及纹理复杂度。
当GLCM各指标数值极为接近时
能量(Energy)则可表示为灰度共生矩阵中各元素平方之和；它实际上衡量了图像纹理中灰度变化的一致性程度；其数值大小反映了图像中灰度分布的均匀程度以及所具有的纹理颗粒大小（coarseness）。当能量值较大时，则表明当前所考察的纹理呈现出一种较为规则且稳定的组织状态；其数值越大则表示该纹理的空间分布越趋于均匀
(8) 熵(Entropy)用于评估图像纹理中的不确定性（强度分布）。其数值大小代表了图像信息含量，并反映了图景结构的信息丰富程度。当共生矩阵中的各个元素趋于相等或像素灰度呈现最大多样性时，则熵达到最大可能值；这表明该指标能够反映图景灰度变化的程度：其数值越大则表示图片越丰富。
表示矩阵中元素的分散程度，也表示图像纹理的复杂程度。
(9)最大概率(Maximum probability)表示图像中出现次数最多的纹理特征。
2、LBP
该算法（基于Local Binary Pattern）被称为局部二值模式技术。该方法在多分辨率分析下具有灰度尺度和旋转不变性。它在纹理特征提取过程中被广泛应用于
对于图像而言，在计算其各个位置上的灰度梯度方向直方图时（即使用局部二阶差分法），需要分别计算并呈现其不同角度下的梯度方向直方图。
get_LBP_from_Image.py 主要文件 获取图像的LBP特征。
get_resolve_map.py和get_uniform_map.py主要用于建立降维后的像素值对应关系。已经计算得到这些结果，并将其写入了get_LBP_from_Image.py中。这两个程序用于说明算法如何获得降维后的像素值。
LBP
二、颜色特征
1、颜色矩
在彩色图像中占据核心地位的内容是颜色，在图像检索领域具有广泛的应用。然而，在提取颜色特征的过程中，通常情况下，在量化处理阶段就会遇到诸多挑战。这种量化过程不仅可能导致误检现象，并由此产生的高维特征空间不利于检索效率的提升。Stricker和Orengo等人开发了一种称为颜色矩的方法，在这一方法中包含了一系列统计指标如均值、方差和斜度等（一阶矩）、（二阶矩）以及（三阶矩）。这些指标能够有效地描述色彩的空间分布特性。具体而言，在实际应用中常被用于筛选图片来限制搜索范围。
2、颜色直方图
在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图，在众多图像检索系统中得到广泛应用的颜色特征是颜色直方图
细分：
基于不同的色彩模式与坐标系统, 颜色直方图是可以构建的方式. 通常情况下, 最常见的做法是建立在 RGB 色彩模式的基础上, 其原因是这一模式能够有效地反映大多数数字图像的特点. 然而, RGB 模式的结构设计并未充分考虑人类对于色彩相似性主观感知的特点. 因此, 为了更好地模拟人类对色彩感知的方式, 人们提出了建立在 HSV 模式、Luv 模式以及 Lab 模式基础上的颜色直方图表示方法. 其中, HSV 模式仍然是应用最为广泛的单一色彩直方图模型. 它的主要组成部分分别对应色调（Hue）、饱和度（Saturation）以及明度（Value）三个维度.
参考文献：