用python实现基于概率分布的超声图像与自然图像性质差异分析，不用greycomatrix和greycoprops，使用opencv，两种图像的文件类型都是jpg,超声图像的文件路径是D:\zzz\us2，自然图像的文件路径是D:\zzz\na2，两种图像都有84张，图片形状都不同，图像名称是随机的，需要将图像归一化，需要对比两种图像的特征必须有颜色，纹理，形状，差异性分析方法也需要多种，包括完整详细最新的代码

以下是基于概率分布的超声图像与自然图像性质差异分析的Python代码，使用了OpenCV库和一些其他的科学计算库：

import cv2
import numpy as np
from scipy.stats import entropy
from scipy.spatial.distance import jensenshannon

# 设置超声图像和自然图像文件路径
us_path = "D:/zzz/us2"
na_path = "D:/zzz/na2"

# 定义一个函数用于计算图像的颜色直方图
def calc_color_hist(img):
    # 将图像转换为HSV颜色空间
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # 计算H、S、V三个通道的直方图
    hist_h = cv2.calcHist([hsv], [0], None, [180], [0, 180])
    hist_s = cv2.calcHist([hsv], [1], None, [256], [0, 256])
    hist_v = cv2.calcHist([hsv], [2], None, [256], [0, 256])
    # 将三个通道的直方图拼接成一个特征向量
    hist = np.concatenate((hist_h, hist_s, hist_v)).ravel()
    # 归一化特征向量
    hist = hist / np.sum(hist)
    return hist

# 定义一个函数用于计算图像的灰度共生矩阵
def calc_glcm(img, d=1, theta=0):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 计算灰度共生矩阵
    glcm = cv2.calcGLCM(gray, [d], [theta], 256, symmetric=True)
    # 归一化灰度共生矩阵
    glcm = glcm / np.sum(glcm)
    return glcm

# 定义一个函数用于计算图像的纹理特征
def calc_texture_features(img):
    # 计算四个方向上的灰度共生矩阵
    glcm_0 = calc_glcm(img, 1, 0)
    glcm_45 = calc_glcm(img, 1, 45)
    glcm_90 = calc_glcm(img, 1, 90)
    glcm_135 = calc_glcm(img, 1, 135)
    # 计算四个方向上的对比度、能量、熵和相关度
    contrast_0 = np.sum(np.square(glcm_0 - np.mean(glcm_0)))
    energy_0 = np.sum(np.square(glcm_0))
    entropy_0 = entropy(glcm_0.ravel())
    correlation_0 = np.sum((glcm_0 - np.mean(glcm_0)) * (np.arange(256) - np.mean(np.arange(256)))) / (np.std(glcm_0) * np.std(np.arange(256)))

    contrast_45 = np.sum(np.square(glcm_45 - np.mean(glcm_45)))
    energy_45 = np.sum(np.square(glcm_45))
    entropy_45 = entropy(glcm_45.ravel())
    correlation_45 = np.sum((glcm_45 - np.mean(glcm_45)) * (np.arange(256) - np.mean(np.arange(256)))) / (np.std(glcm_45) * np.std(np.arange(256)))

    contrast_90 = np.sum(np.square(glcm_90 - np.mean(glcm_90)))
    energy_90 = np.sum(np.square(glcm_90))
    entropy_90 = entropy(glcm_90.ravel())
    correlation_90 = np.sum((glcm_90 - np.mean(glcm_90)) * (np.arange(256) - np.mean(np.arange(256)))) / (np.std(glcm_90) * np.std(np.arange(256)))

    contrast_135 = np.sum(np.square(glcm_135 - np.mean(glcm_135)))
    energy_135 = np.sum(np.square(glcm_135))
    entropy_135 = entropy(glcm_135.ravel())
    correlation_135 = np.sum((glcm_135 - np.mean(glcm_135)) * (np.arange(256) - np.mean(np.arange(256)))) / (np.std(glcm_135) * np.std(np.arange(256)))

    # 将四个方向上的特征拼接成一个特征向量
    features = np.array([contrast_0, energy_0, entropy_0, correlation_0,
                         contrast_45, energy_45, entropy_45, correlation_45,
                         contrast_90, energy_90, entropy_90, correlation_90,
                         contrast_135, energy_135, entropy_135, correlation_135])
    # 归一化特征向量
    features = features / np.sum(features)
    return features

# 定义一个函数用于计算图像的形状特征
def calc_shape_features(img):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化图像
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    # 计算轮廓
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 提取最大轮廓
    max_contour = max(contours, key=cv2.contourArea)
    # 计算最大轮廓的面积、周长、宽高比和圆形度
    area = cv2.contourArea(max_contour)
    perimeter = cv2.arcLength(max_contour, True)
    x, y, w, h = cv2.boundingRect(max_contour)
    aspect_ratio = float(w) / h
    circularity = (4 * np.pi * area) / (perimeter ** 2)
    # 将四个形状特征拼接成一个特征向量
    features = np.array([area, perimeter, aspect_ratio, circularity])
    # 归一化特征向量
    features = features / np.sum(features)
    return features

# 定义一个函数用于计算两个图像的相似度
def calc_similarity(img1, img2):
    # 计算两个图像的颜色直方图
    hist1 = calc_color_hist(img1)
    hist2 = calc_color_hist(img2)
    # 计算两个颜色直方图的Jensen-Shannon距离
    color_distance = jensenshannon(hist1, hist2)
    # 计算两个图像的纹理特征
    texture1 = calc_texture_features(img1)
    texture2 = calc_texture_features(img2)
    # 计算两个纹理特征的欧氏距离
    texture_distance = np.linalg.norm(texture1 - texture2)
    # 计算两个图像的形状特征
    shape1 = calc_shape_features(img1)
    shape2 = calc_shape_features(img2)
    # 计算两个形状特征的欧氏距离
    shape_distance = np.linalg.norm(shape1 - shape2)
    # 计算三个距离的加权平均作为相似度
    similarity = 1 / (1 + color_distance + texture_distance + shape_distance)
    return similarity

# 加载所有的超声图像和自然图像
us_images = []
na_images = []
for i in range(1, 85):
    us_filename = us_path + "/{}.jpg".format(i)
    na_filename = na_path + "/{}.jpg".format(i)
    us_img = cv2.imread(us_filename)
    na_img = cv2.imread(na_filename)
    # 将图像缩放到统一的大小
    us_img = cv2.resize(us_img, (300, 300))
    na_img = cv2.resize(na_img, (300, 300))
    # 将图像归一化到[0, 1]范围
    us_img = us_img / 255.0
    na_img = na_img / 255.0
    us_images.append(us_img)
    na_images.append(na_img)

# 计算所有超声图像两两之间的相似度，得到一个84x84的相似度矩阵
us_similarity_matrix = np.zeros((84, 84))
for i in range(84):
    for j in range(i, 84):
        similarity = calc_similarity(us_images[i], us_images[j])
        us_similarity_matrix[i, j] = similarity
        us_similarity_matrix[j, i] = similarity

# 计算所有自然图像两两之间的相似度，得到一个84x84的相似度矩阵
na_similarity_matrix = np.zeros((84, 84))
for i in range(84):
    for j in range(i, 84):
        similarity = calc_similarity(na_images[i], na_images[j])
        na_similarity_matrix[i, j] = similarity
        na_similarity_matrix[j, i] = similarity

# 计算所有超声图像和自然图像之间的相似度，得到一个84x84的相似度矩阵
all_similarity_matrix = np.zeros((84, 84))
for i in range(84):
    for j in range(84):
        similarity = calc_similarity(us_images[i], na_images[j])
        all_similarity_matrix[i, j] = similarity

# 打印所有相似度矩阵的形状和前5x5的子矩阵
print("US similarity matrix shape:", us_similarity_matrix.shape)
print(us_similarity_matrix[:5, :5])
print("NA similarity matrix shape:", na_similarity_matrix.shape)
print(na_similarity_matrix[:5, :5])
print("All similarity matrix shape:", all_similarity_matrix.shape)
print(all_similarity_matrix[:5, :5])

这个代码中，我们定义了三个函数：`calc_color_hist`用于计算图像的颜色直方图，`calc_glcm`用于计算图像的灰度共生矩阵，`calc_texture_features`用于计算图像的纹理特征，`calc_shape_features`用于计算图像的形状特征，`calc_similarity`用于计算两个图像之间的相似度。然后，我们加载了所有的超声图像和自然图像，计算了所有图像之间的相似度，得到了三个相似度矩阵。最后，我们打印了所有相似度矩阵的形状和前5x5的子矩阵。

这个代码中使用的相似度计算方法比较简单，只计算了颜色、纹理和形状三个方面的特征，并且使用了Jensen-Shannon距离和欧氏距离来计算相似度。如果需要更加准确的相似度计算方法，可以考虑使用更多的特征和更复杂的距离度量方法。