python 用灰度共生矩阵提取图像特征

灰度共生矩阵 (Gray-Level Co-occurrence Matrix, GLCM) 是一种描述图像纹理特征的方法，常用于图像分类、识别和分割等任务。它是基于图像中像素灰度值之间的空间关系来计算特征的。

下面是使用 Python 中的 skimage 库提取灰度共生矩阵的示例代码：

from skimage.feature import greycomatrix, greycoprops
import numpy as np
from PIL import Image

# 读取图像并转为灰度图
img = Image.open('image.png').convert('L')
img_arr = np.array(img)

# 计算灰度共生矩阵
glcm = greycomatrix(img_arr, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4])

# 计算灰度共生矩阵的特征
contrast = greycoprops(glcm, 'contrast')
dissimilarity = greycoprops(glcm, 'dissimilarity')
homogeneity = greycoprops(glcm, 'homogeneity')
energy = greycoprops(glcm, 'energy')
correlation = greycoprops(glcm, 'correlation')

# 输出特征值
print('Contrast:', contrast)
print('Dissimilarity:', dissimilarity)
print('Homogeneity:', homogeneity)
print('Energy:', energy)
print('Correlation:', correlation)

在上面的示例代码中，首先读取图像并转为灰度图，然后计算灰度共生矩阵。其中，`greycomatrix` 函数的第一个参数为输入图像的数组，第二个参数为灰度共生矩阵的距离（这里只计算距离为 1 的像素对），第三个参数为灰度共生矩阵的方向（这里计算 4 个方向）。接着，使用 `greycoprops` 函数计算灰度共生矩阵的特征，包括对比度（contrast）、不相似度（dissimilarity）、同质性（homogeneity）、能量（energy）和相关性（correlation）。最后输出特征值即可。

需要注意的是，灰度共生矩阵的计算依赖于图像的灰度级数，因此在使用 `greycomatrix` 函数时需要指定灰度级数，例如：

glcm = greycomatrix(img_arr, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4], levels=256)

其中，`levels` 参数指定灰度级数为 256。