基于图像的室内装修风格分类系统(三)---提取纹理特征
2016-08-08 11:23
459 查看
(一)先记下一些当时看的利用灰度共生矩阵提取纹理特征的文章
(二)附上提取纹理特征的代码:veinFeature.m
http://wlb321xy.blog.163.com/blog/static/6767777201210293455085/ //一个简单的灰度共生矩阵计算实例,非常容易理解 http://blog.csdn.net/xw20084898/article/details/20528997 //灰度共生矩阵(GLCM)理解 http://www.ilovematlab.cn/thread-267321-1-1.html //matlaB中用灰度共生矩阵提取纹理特征的程序讲解,有代码
(二)附上提取纹理特征的代码:veinFeature.m
%% clc; clear %提取了所有训练集图片的纹理特征,vein:70*8 将能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征 %后面也是另外将vein变量存储在veinData.mat文件里面,利用save函数 % 循环读入图像 A=dir('F:\文件\dataset\家装图片集\所有图片\*.jpg'); %批量读取文件 vein=zeros(70,8); for k=1:size(A) B=strcat('F:/文件/dataset/家装图片集/所有图片/',A(k).name); Image=imread(B); %end rs=size(Image); M=rs(1);N=rs(2); Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3)); %-------------------------------------------------------------------------- %2.为了减少计算量,对原始图像灰度级压缩,将Gray量化成16级 %-------------------------------------------------------------------------- for i = 1:M for j = 1:N for n = 1:256/16 if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15 Gray(i,j) = n-1; end end end end %-------------------------------------------------------------------------- %3.计算四个共生矩阵P,取距离为1,角度分别为0,45,90,135 %-------------------------------------------------------------------------- P = zeros(16,16,4); for m = 1:16 for n = 1:16 for i = 1:M for j = 1:N if j<N&Gray(i,j)==m-1&Gray(i,j+1)==n-1 P(m,n,1) = P(m,n,1)+1; P(n,m,1) = P(m,n,1); end if i>1&j<N&Gray(i,j)==m-1&Gray(i-1,j+1)==n-1 P(m,n,2) = P(m,n,2)+1; P(n,m,2) = P(m,n,2); end if i<M&Gray(i,j)==m-1&Gray(i+1,j)==n-1 P(m,n,3) = P(m,n,3)+1; P(n,m,3) = P(m,n,3); end if i<M&j<N&Gray(i,j)==m-1&Gray(i+1,j+1)==n-1 P(m,n,4) = P(m,n,4)+1; P(n,m,4) = P(m,n,4); end end end if m==n P(m,n,:) = P(m,n,:)*2; end end end %%--------------------------------------------------------- % 对共生矩阵归一化 %%--------------------------------------------------------- for n = 1:4 P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n))); end %-------------------------------------------------------------------------- %4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数 %-------------------------------------------------------------------------- H = zeros(1,4); I = H; Ux = H; Uy = H; deltaX= H; deltaY = H; C =H; for n = 1:4 E(n) = sum(sum(P(:,:,n).^2)); %%能量 for i = 1:16 for j = 1:16 if P(i,j,n)~=0 H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵 end I(n) = (i-j)^2*P(i,j,n)+I(n); %%惯性矩 Ux(n) = i*P(i,j,n)+Ux(n); %相关性中μx Uy(n) = j*P(i,j,n)+Uy(n); %相关性中μy end end end for n = 1:4 for i = 1:16 for j = 1:16 deltaX(n) = (i-Ux(n))^2*P(i,j,n)+deltaX(n); %相关性中σx deltaY(n) = (j-Uy(n))^2*P(i,j,n)+deltaY(n); %相关性中σy C(n) = i*j*P(i,j,n)+C(n); end end C(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性 end %-------------------------------------------------------------------------- %求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征 %-------------------------------------------------------------------------- a1 = mean(E) b1 = sqrt(cov(E)) a2 = mean(H) b2 = sqrt(cov(H)) a3 = mean(I) b3 = sqrt(cov(I)) a4 = mean(C) b4 = sqrt(cov(C)) %sprintf('0,45,90,135方向上的能量依次为: %f, %f, %f, %f',E(1),E(2),E(3),E(4)) % 输出数据; %sprintf('0,45,90,135方向上的熵依次为: %f, %f, %f, %f',H(1),H(2),H(3),H(4)) % 输出数据; %sprintf('0,45,90,135方向上的惯性矩依次为: %f, %f, %f, %f',I(1),I(2),I(3),I(4)) % 输出数据; %sprintf('0,45,90,135方向上的相关性依次为: %f, %f, %f, %f',C(1),C(2),C(3),C(4)) % 输出数据; vein(k,1)=a1; vein(k,2)=b1; vein(k,3)=a2; vein(k,4)=b2; vein(k,5)=a3; vein(k,6)=b3; vein(k,7)=a4; vein(k,8)=b4; end %xlswrite('D:\writeExcel2.xls',vein,'data');%数据存储至D盘根目录下
相关文章推荐
- 基于图像的室内装修风格分类系统(二)---提取颜色特征
- 基于图像的室内装修风格分类系统(一)---项目介绍
- 基于图像的室内装修风格分类系统(四)---分类器
- 基于图像的室内装修风格分类系统(五)---完成图像分类
- CBIR 基于内容的图像检索系统 纹理,形状,颜色和空间特征综合检索 VC++实现
- python实现LBP方法提取图像纹理特征实现分类
- 基于JAVA的水泥三维图像特征提取系统设计与实现 之一 JAVA 3D学习笔记
- 基于SIFT特征和SVM的图像分类
- 基于总变差模型的纹理图像中图像主结构的提取方法。
- 利用OpenCV实现图像纹理特征提取
- 基于振动图像纹理特征识别 的滚动轴承故障程度诊断方法研究
- 图像特征提取(颜色,纹理,形状)
- 常用图像特征提取方法分类
- opencv2两张图像拼接融合_基于SURF特征提取
- 基于sklearn的文本特征提取与分类
- 基于图像特征的视觉跟踪系统(Feature-based visual tracking systems)--一篇Visual Tracking Benchmark (2013)综述
- 基于内容的图像检索系统(集成语义特征)
- 基于一种改进的提取形状特征向量方法,实现图像检索
- 图像检索:几种基于纹理特征的图像检索算法
- 基于纹理的特征提取