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，使用opencv, 不能用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\us5’，自然图像的文件路径是‘D:\zzz\na4’，两种图像都有84张，图像的名称都是1到84的顺序数，两种图像的形状大小相同，需要对比两种图像的特征必须有颜色，纹理，形态学特征，差异性分析方法也需要多种，包括完整详细代码

首，我们需要导入必要的库：

import cv2
import numpy as np
import os
from matplotlib import pyplot as plt

然后，我们可以定义一些常量和函数来帮助我们进行图像处理和特征提取：

# 图像路径和文件名前缀
us_path = 'D:/zzz/us5/'
na_path = 'D:/zzz/na4/'
prefix = '1'

# 图像大小
img_size = (256, 256)

# 颜色特征提取函数
def color_feature(img):
    # 将图像转换为HSV颜色空间
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # 计算直方图
    hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
    # 归一化直方图
    cv2.normalize(hist, hist, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
    return hist.flatten()

# 纹理特征提取函数
def texture_feature(img):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 计算LBP特征
    radius = 3
    n_points = 8 * radius
    lbp = cv2.spatial_histogram(gray, [n_points, radius], [0, 256], True)
    # 归一化特征
    cv2.normalize(lbp, lbp, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
    return lbp.flatten()

# 形态学特征提取函数
def morphology_feature(img):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 计算轮廓
    contours, hierarchy = cv2.findContours(gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 计算面积和周长
    area = cv2.contourArea(contours[0])
    perimeter = cv2.arcLength(contours[0], True)
    return np.array([area, perimeter])

# 差异性分析函数
def diff_analysis(f1, f2):
    # 计算欧氏距离
    dist = np.linalg.norm(f1 - f2)
    # 计算余弦相似度
    cos_sim = np.dot(f1, f2) / (np.linalg.norm(f1) * np.linalg.norm(f2))
    return dist, cos_sim

接下来，我们可以读取图像并提取其特征：

# 存储特征向量的列表
us_color = []
us_texture = []
us_morphology = []
na_color = []
na_texture = []
na_morphology = []

# 读取超声图像并提取特征
for i in range(1, 85):
    img_path = os.path.join(us_path, prefix + str(i) + '.jpg')
    img = cv2.imread(img_path)
    img = cv2.resize(img, img_size)
    us_color.append(color_feature(img))
    us_texture.append(texture_feature(img))
    us_morphology.append(morphology_feature(img))

# 读取自然图像并提取特征
for i in range(1, 85):
    img_path = os.path.join(na_path, prefix + str(i) + '.jpg')
    img = cv2.imread(img_path)
    img = cv2.resize(img, img_size)
    na_color.append(color_feature(img))
    na_texture.append(texture_feature(img))
    na_morphology.append(morphology_feature(img))

最后，我们可以使用我们定义的差异性分析函数来比较两种图像的特征：

# 计算颜色特征的差异性
us_color_mean = np.mean(us_color, axis=0)
na_color_mean = np.mean(na_color, axis=0)
color_dist, color_cos_sim = diff_analysis(us_color_mean, na_color_mean)

# 计算纹理特征的差异性
us_texture_mean = np.mean(us_texture, axis=0)
na_texture_mean = np.mean(na_texture, axis=0)
texture_dist, texture_cos_sim = diff_analysis(us_texture_mean, na_texture_mean)

# 计算形态学特征的差异性
us_morphology_mean = np.mean(us_morphology, axis=0)
na_morphology_mean = np.mean(na_morphology, axis=0)
morphology_dist, morphology_cos_sim = diff_analysis(us_morphology_mean, na_morphology_mean)

# 输出结果
print('颜色特征的欧氏距离为：', color_dist)
print('颜色特征的余弦相似度为：', color_cos_sim)
print('纹理特征的欧氏距离为：', texture_dist)
print('纹理特征的余弦相似度为：', texture_cos_sim)
print('形态学特征的欧氏距离为：', morphology_dist)
print('形态学特征的余弦相似度为：', morphology_cos_sim)

完整代码如下：