基于MATLAB的GLCM和GLDS纹理特征提取

一、GLCM（灰度共生矩阵）

1. 原理与核心参数

GLCM通过统计图像中像素对的灰度值在特定方向（θ）和距离（d）下的共现频率，构建二维矩阵。主要特征包括：

• 对比度（Contrast）：衡量灰度差异程度
• 同质性（Homogeneity）：反映局部灰度均匀性
• 能量（Energy）：纹理均匀性的度量
• 熵（Entropy）：纹理复杂度指标

2. MATLAB实现代码

% 读取图像并灰度化
img = imread('texture.jpg');
grayImg = rgb2gray(img);

% 计算GLCM矩阵（距离d=1，角度θ=0°）
glcm = graycomatrix(grayImg, 'Offset', [0 1], 'NumLevels', 256);

% 提取纹理特征
stats = graycoprops(glcm, {'Contrast', 'Homogeneity', 'Energy', 'Entropy'});
disp(['对比度: ', num2str(stats.Contrast)]);
disp(['同质性: ', num2str(stats.Homogeneity)]);

3. 参数优化建议

• 距离（d）：通常取1-3像素，过大可能丢失局部特征
• 角度（θ）：0°,45°,90°,135°四个方向需分别计算
• 灰度级（NumLevels）：建议256级（8位图像）

---

二、GLDS（灰度差分统计）

1. 原理与特征

GLDS通过计算相邻像素的灰度差分分布，捕捉纹理的局部变化特性：

• 一阶统计量：均值、方差、偏度、峰度
• 二阶统计量：能量、对比度、同质性

2. MATLAB实现代码

% 计算灰度差分矩阵
[rows, cols] = size(grayImg);
diffMatrix = zeros(rows, cols);
for i = 1:rows-1
    for j = 1:cols-1
        diffMatrix(i,j) = abs(grayImg(i,j) - grayImg(i+1,j+1));
    end
end

% 统计特征
meanVal = mean(diffMatrix(:));
varVal = var(diffMatrix(:));
skewnessVal = skewness(diffMatrix(:));

3. 增强方法

• 多尺度分析：结合高斯金字塔进行多分辨率处理
• 方向扩展：增加对角线方向的差分计算

---

三、方法对比与应用场景

特性	GLCM	GLDS
核心思想	基于空间相关性统计	基于灰度差异分布统计
优势	全局纹理特征提取	局部纹理细节捕捉
适用场景	布料、医学影像等规则纹理	岩石、指纹等复杂不规则纹理
计算复杂度	较高（需多方向计算）	较低（单次差分计算）

---

四、工程优化

1. 预处理增强

% 噪声抑制
denoisedImg = imgaussfilt(grayImg, 1);

% 直方图均衡化
enhancedImg = histeq(grayImg);

2. 特征融合

% GLCM+GLDS特征融合
combinedFeatures = [stats.Contrast, meanVal, varVal];

3. GPU加速

% 使用gpuArray加速计算
if canUseGPU
    glcm_gpu = gpuArray(graycomatrix(gpuArray(grayImg)));
    stats_gpu = graycoprops(glcm_gpu, {'Contrast'});
end

---

五、典型应用案例

1. 医学影像分析（肺结节检测）

• GLCM参数：d=1, θ=0°, NumLevels=64
• 关键特征：对比度>0.8可识别钙化结节
• 准确率：结合SVM分类器可达92%

2. 工业质检（织物缺陷检测）

• GLDS参数：差分阈值设为15
• 缺陷识别：方差>50的区域标记为异常
• 处理速度：优化后达15fps

---

六、代码优化建议

1. 向量化计算：避免双重循环提升效率
2. 并行计算：使用parfor处理多方向GLCM
3. 内存管理：大图像分块处理（如2048x2048分4块）

---

七、参考

1. 代码 matlab常用纹理特征提取方法（GLCM，GLDS） www.youwenfan.com/contentcnv/65376.html

2. CSDN文库《MATLAB纹理特征提取方法教程》 wenku.csdn.net/doc/4y86fxg6jd