1

我正在尝试在趋势减少的数字高程模型上生成 glcm。我目前的问题是 skimage.feature.greycomatrix(image) 的输出仅包含矩阵的对角线条目中的值。

glcm = greycomatrix(image,distances=[1],levels=100,angles=[0] ,symmetric=True,normed=True)

使用以下代码先对图像进行量化：

import numpy as np
from skimage.feature import greycomatrix
def quantize(raster):
    print("\n Quantizing \n")
    raster += (np.abs(np.min(raster)) + 1)
    mean = np.nanmean(raster.raster[raster.raster > 0])
    std = np.nanstd(raster.raster[raster.raster > 0])

    raster[raster == None] = 0 # set all None values to 0
    raster[np.isnan(raster)] = 0
    raster[raster > (mean + 1.5*std)] = 0
    raster[raster < (mean - 1.5*std)] = 0 # High pass filter
    raster[raster > 0] = raster[raster > 0] - (np.min(raster[raster > 0]) - 1)
    raster[raster>101] = 0
    raster = np.rint(raster)
    flat = np.ndarray.flatten(raster[raster > 0])
    range = np.max(flat) - np.min(flat)
    print("\n\nRaster Range: {}\n\n".format(range))
    raster = raster.astype(np.uint8)
    raster[raster > 101] = 0

graycomatrix() 的输出

我将如何让 glcm 计算对角矩阵之外的值（即只是值本身的频率），我的方法有什么根本错误吗？

4

1 回答 1

1

如果图像中的像素强度相关，则两个相似级别的同时出现的可能性很高，因此相应 GLCM 的非零元素将集中在主对角线周围。相反，如果像素强度不相关，则 GLCM 的非零元素将遍布整个矩阵。下面的例子说明了这一点：

import numpy as np
from skimage import data
import matplotlib.pyplot as plt
from skimage.feature import greycomatrix

x = data.brick()
y = data.gravel()

mx = greycomatrix(x, distances=[1], levels=256, angles=[0], normed=True)
my = greycomatrix(y, distances=[1], levels=256, angles=[0], normed=True)

fig, ax = plt.subplots(2, 2, figsize=(12, 8))
ax[0, 0].imshow(x, cmap='gray')
ax[0, 1].imshow(mx[:, :, 0, 0])
ax[1, 0].imshow(y, cmap='gray')
ax[1, 1].imshow(my[:, :, 0, 0])

演示

尽管我还没有看到您的光栅图像，但我猜测强度在返回的图像上变化非常平滑quantize，因此 GLCM 主要是对角线。

于 2020-06-01T17:44:04.477 回答