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这一课题，不使用from skimage.feature import greycomatrix, greycoprops，两种图像的文件类型都是jpg,超声图像的文件路径是‘D:\zzz\zus2’，自然图像的文件路径是‘D:\zzz\zna2’，两种图像都有84张，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，包括完整详细代码

首先需要安装必要的Python库：numpy、matplotlib、PIL、skimage、os。

下面是代码实现，其中纹理特征使用了灰度共生矩阵和共生矩阵特征，形状特征使用了Hu矩，颜色特征使用了直方图。

import os
import numpy as np
from PIL import Image
from skimage.feature import greycomatrix, greycoprops
from skimage.color import rgb2gray
import matplotlib.pyplot as plt

# 文件路径
path1 = 'D:/zzz/zus2'
path2 = 'D:/zzz/zna2'

# 纹理特征
def texture_feature(img):
    # 灰度共生矩阵
    glcm = greycomatrix(img, distances=[1], angles=[0], levels=256, symmetric=True, normed=True)
    # 共生矩阵特征
    contrast = greycoprops(glcm, 'contrast')[0][0]
    dissimilarity = greycoprops(glcm, 'dissimilarity')[0][0]
    homogeneity = greycoprops(glcm, 'homogeneity')[0][0]
    energy = greycoprops(glcm, 'energy')[0][0]
    correlation = greycoprops(glcm, 'correlation')[0][0]
    ASM = greycoprops(glcm, 'ASM')[0][0]
    return [contrast, dissimilarity, homogeneity, energy, correlation, ASM]

# Hu矩
def shape_feature(img):
    hu_moments = cv2.HuMoments(cv2.moments(img)).flatten()
    return hu_moments

# 颜色特征
def color_feature(img):
    # 直方图
    hist, _ = np.histogram(img.flatten(), bins=256, range=[0, 255])
    # 归一化
    hist = hist.astype(np.float32) / hist.sum()
    return hist

# 图像处理
def process_images(path):
    features = []
    for filename in os.listdir(path):
        img = Image.open(os.path.join(path, filename))
        img = img.resize((256, 256))  # 缩放到相同大小
        img_gray = rgb2gray(np.array(img))  # 转换为灰度图
        img_arr = np.array(img)  # 转换为数组
        texture = texture_feature(img_gray)  # 纹理特征
        shape = shape_feature(img_gray)  # 形状特征
        color = color_feature(img_arr)  # 颜色特征
        feature = np.concatenate([texture, shape, color])  # 合并特征
        features.append(feature)
    return np.array(features)

# 处理超声图像和自然图像
features1 = process_images(path1)
features2 = process_images(path2)

# 分析特征差异
diff_features = np.abs(np.mean(features1, axis=0) - np.mean(features2, axis=0))
diff_features /= diff_features.sum()  # 归一化

# 可视化特征差异
plt.bar(range(len(diff_features)), diff_features)
plt.xticks(range(len(diff_features)), ['Contrast', 'Dissimilarity', 'Homogeneity', 'Energy', 'Correlation', 'ASM', 'Hu1', 'Hu2', 'Hu3', 'Hu4', 'Hu5', 'Hu6', 'Hu7', 'R', 'G', 'B'])
plt.title('Feature Differences')
plt.show()

这段代码实现了超声图像与自然图像的纹理特征、形状特征、颜色特征的提取，然后计算了两种图像特征的差异性。最后使用条形图可视化了特征差异。