14

我正在使用skimage库进行大部分图像分析工作。

我有一个 RGB 图像，我打算从图像中提取、和等texture特征。entropyenergyhomogeneitycontrast

以下是我正在执行的步骤：

from skimage import io, color, feature
from skimage.filters import rank
rgbImg = io.imread(imgFlNm)
grayImg = color.rgb2gray(rgbImg)
print(grayImg.shape)  # (667,1000), a 2 dimensional grayscale image

glcm = feature.greycomatrix(grayImg, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4])
print(glcm.shape) # (256, 256, 1, 4)

rank.entropy(glcm, disk(5)) # throws an error since entropy expects a 2-D array in its arguments

rank.entropy(grayImg, disk(5)) # given an output.

我的问题是，从灰度图像（直接）计算的熵是否与从 GLCM（纹理特征）中提取的熵特征相同？

如果不是，从图像中提取所有纹理特征的正确方法是什么？

注：我已经提到过：

熵 - skimage

GLCM - 纹理特征

4

2 回答 2

22

从灰度图像（直接）计算的熵是否与从 GLCM（纹理特征）中提取的熵特征相同？

不，这两个熵是完全不同的：

  1. skimage.filters.rank.entropy(grayImg, disk(5))产生一个大小相同的数组，该数组grayImg包含在圆盘上计算的图像上的局部熵，圆盘的中心位于相应的像素，半径为 5 个像素。查看Entropy（信息论）以了解如何计算熵。此数组中的值对分割很有用（点击此链接可查看基于熵的对象检测示例）。如果您的目标是通过单个（标量）值来描述图像的熵，您可以使用skimage.measure.shannon_entropy(grayImg). 此函数基本上将以下公式应用于完整图像： 其中是灰度级数（8 位图像为 256），是像素具有灰度级的概率，以及
    熵
    n可能性强度根据是对数函数的底。当根据设置为 2 时，返回值以位为单位。
  2. 灰度共生矩阵 (GLCM) 是图像上给定偏移量处共现灰度值的直方图。为了描述图像的纹理，通常从针对不同偏移量计算的几个共现矩阵中提取特征，例如熵、能量、对比度、相关性等。在这种情况下，熵定义如下： 其中和分别是灰度级数和对数函数的基数，表示由指定偏移量分隔的两个像素具有强度和的概率。不幸的是，熵不是您可以通过 scikit-image 计算的 GLCM 的属性之一*
    GLCM的熵
    n根据GLCM 元件强度j. 如果您希望计算此功能，您需要将 GLCM 传递给skimage.measure.shannon_entropy.

*上次编辑这篇文章时，scikit-image 的最新版本是 0.13.1。

如果不是，从图像中提取所有纹理特征的正确方法是什么？

描述图像纹理的特征有很多种，例如局部二值模式、Gabor 滤波器、小波、Laws 掩码等。Haralick 的GLCM是最流行的纹理描述符之一。通过 GLCM 特征描述图像纹理的一种可能方法是计算不同偏移量的 GLCM（每个偏移量通过距离和角度定义），并从每个 GLCM 中提取不同的属性。

例如，让我们考虑三个距离（1、2 和 3 个像素）、四个角度（0、45、90 和 135 度）和两个属性（能量和均匀性）。这会导致12偏移（因此有 12 个 GLCM）和维度为 的特征向量24。这是代码：

import numpy as np
from skimage import io, color, img_as_ubyte
from skimage.feature import greycomatrix, greycoprops
from sklearn.metrics.cluster import entropy

rgbImg = io.imread('https://i.stack.imgur.com/1xDvJ.jpg')
grayImg = img_as_ubyte(color.rgb2gray(rgbImg))

distances = [1, 2, 3]
angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]
properties = ['energy', 'homogeneity']

glcm = greycomatrix(grayImg, 
                    distances=distances, 
                    angles=angles,
                    symmetric=True,
                    normed=True)

feats = np.hstack([greycoprops(glcm, prop).ravel() for prop in properties])

使用此图像获得的结果：

示例图像 - 狮子：

In [56]: entropy(grayImg)
Out[56]: 5.3864158185167534

In [57]: np.set_printoptions(precision=4)

In [58]: print(feats)
[ 0.026   0.0207  0.0237  0.0206  0.0201  0.0207  0.018   0.0206  0.0173
  0.016   0.0157  0.016   0.3185  0.2433  0.2977  0.2389  0.2219  0.2433
  0.1926  0.2389  0.1751  0.1598  0.1491  0.1565]
于 2017-02-06T02:56:53.623 回答
0 
from skimage.feature import greycomatrix, greycoprops

    dis = (greycoprops(glcm, 'dissimilarity'))
    plt.hist(dis.ravel(), normed=True, bins=256, range=(0, 30),facecolor='0.5');plt.show()
于 2017-01-03T20:45:22.663 回答