图像 灰度共生矩阵怎么在matlab中实现，要具体源程序

matlab提供了现成的函数

graycomatrix生成共生矩阵

graycoprops计算其特征值

具体用法：

glcm = graycomatrix(I)

从图像I创建灰度共生矩阵glcm。通过计算具有灰度级i和灰度级j的像素对在水平方向相邻出现的频繁程度。glcm中的每个元素说明了水平方向相邻像素对出现的次数。如果灰度级为L则glcm的维数为L*L。

2.glcms = graycomatrix(I,param1,val1,param2,val2,...)

根据参数对的设定，返回一个或多个灰度共生矩阵。

参数说明：

'GrayLimits'：灰度界限，为二元向量[low high]。灰度值小于等于low 时对应1，大于等于high时对应于灰度级。如果参数设为[]，则共生矩阵使用图像的最小和最大灰度值作为界限，即[min(I(:)) max(I(:))]。

'NumLevels'：整数，说明I中进行灰度缩放的灰度级数目。例如，如果NumLevel设为8，则共生矩阵缩放I中的灰度值使它们为1到8之间的整数。灰度级的数目决定了共生矩阵glcm的尺寸。缺省情况：数字图像：8；二进制图像：2。

'Offset'：p行2列整型矩阵，说明感兴趣像素与其相邻像素之间的距离。每行是一个说明像素对之间偏移关系的二元向量[row_offset, col_offset]。行偏移row_offset是感兴趣像素和其相邻像素之间的间隔行数。列偏移同理。偏移常表达为一个角度，常用的角度如下：（其中D为像素距离）

角度 0 45 90 135

Offset [0,D] [-D D] [-D 0] [-D -D]

3.[glcms,SI] = graycomatrix(...)

返回缩放图像SI，SI是用来计算灰度共生矩阵的。SI中的元素值介于1和灰度级数目之间。

graycoprops：得到灰度共生矩阵得到各种属性

stats = graycoprops(glcm, properties)：从灰度共生矩阵glcm计算静态属性。glcm是m*n*p的有效灰度共生矩阵。如果glcm是一个灰度共生矩阵的矩阵，则stats是包括每个灰度共生矩阵静态属性的矩阵。

graycoprops正规化了灰度共生矩阵，因此元素之和为1。正规化的GLCM中的元素（r，c）是具有灰度级r和c的定义的空间关系的像素对的联合概率。Graycoprops使用正规化的GLCM来计算属性。

属性参数如下：

1. 'Contrast' : 对比度。返回整幅图像中像素和它相邻像素之间的亮度反差。取值范围：[0,（GLCM行数-1）^2]。灰度一致的图像，对比度为0。

2. 'Correlation' : 相关。返回整幅图像中像素与其相邻像素是如何相关的度量值。取值范围：[-1,1]。灰度一致的图像，相关性为NaN。

3. 'Energy' : 能量。返回GLCM中元素的平方和。取值范围：[0 1]。灰度一致的图像能量为1。

4. 'Homogemeity' : 同质性。返回度量GLCM中元素的分布到对角线紧密程度。取值范围：[0 1]。对角矩阵的同质性为1。

%**************************************************************************

% 图像检索——纹理特征

%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵

%所用图像灰度级均为256

%参考《基于颜色空间和纹理特征的图像检索》

%function : T=Texture(Image)

%Image : 输入图像数据

%T : 返回八维纹理特征行向量

%**************************************************************************

function T = Texture(path)

Image = imread(path)

% [M,N,O] = size(Image)

M = 256

N = 256

if isrgb(Image)%判断是否是RGB

Gray=rgb2gray(Image)

end

%--------------------------------------------------------------------------

%1.将各颜色分量转化为灰度

%--------------------------------------------------------------------------

%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

P(m,n,1) = P(m,n,1)+1

P(n,m,1) = P(m,n,1)

end

if i>1&j

P(m,n,2) = P(m,n,2)+1

P(n,m,2) = P(m,n,2)

end

if i

P(m,n,3) = P(m,n,3)+1

P(n,m,3) = P(m,n,3)

end

if i

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 = HUy = H

deltaX= HdeltaY = 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

%--------------------------------------------------------------------------

T(1) = mean(E)T(2) = sqrt(cov(E))

T(3) = mean(H)T(4) = sqrt(cov(H))

T(5) = mean(I)T(6) = sqrt(cov(I))

T(7) = mean(C)T(8) = sqrt(cov(C))

---