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

首先，我们需要安装必要的库和模块：

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

接下来，我们可以定义一个函数来计算图像的颜色特征。我们将使用彩色直方图来表示颜色分布。我们可以使用OpenCV的calcHist函数来计算直方图。

def get_color_feature(image):
    # 将图像转换为HSV格式
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    # 定义HSV的范围
    lower_blue = np.array([110, 50, 50])
    upper_blue = np.array([130, 255, 255])

    lower_green = np.array([50, 50, 50])
    upper_green = np.array([70, 255, 255])

    lower_red = np.array([0, 50, 50])
    upper_red = np.array([10, 255, 255])

    # 创建掩码
    mask_blue = cv2.inRange(hsv, lower_blue, upper_blue)
    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    mask_red = cv2.inRange(hsv, lower_red, upper_red)

    # 计算直方图
    hist_blue = cv2.calcHist([image], [0], mask_blue, [256], [0, 256])
    hist_green = cv2.calcHist([image], [0], mask_green, [256], [0, 256])
    hist_red = cv2.calcHist([image], [0], mask_red, [256], [0, 256])

    # 归一化直方图
    cv2.normalize(hist_blue, hist_blue, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
    cv2.normalize(hist_green, hist_green, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
    cv2.normalize(hist_red, hist_red, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)

    # 将三个直方图拼接在一起
    color_feature = np.concatenate([hist_blue, hist_green, hist_red], axis=0)

    return color_feature

接下来，我们可以定义一个函数来计算图像的纹理特征。我们将使用灰度共生矩阵（GLCM）来表示图像的纹理。

def get_texture_feature(image):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 计算灰度共生矩阵
    glcm = cv2.calcGLCM(gray, [5], 0, 256, symmetric=True)

    # 计算统计特征
    contrast = cv2.compareHist(cv2.normalize(glcm[:, :, 0, 0], None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX), np.zeros((256, 256)), cv2.HISTCMP_BHATTACHARYYA)
    dissimilarity = cv2.compareHist(cv2.normalize(glcm[:, :, 0, 1], None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX), np.zeros((256, 256)), cv2.HISTCMP_BHATTACHARYYA)
    homogeneity = cv2.compareHist(cv2.normalize(glcm[:, :, 0, 2], None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX), np.zeros((256, 256)), cv2.HISTCMP_BHATTACHARYYA)
    energy = cv2.compareHist(cv2.normalize(glcm[:, :, 0, 3], None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX), np.zeros((256, 256)), cv2.HISTCMP_BHATTACHARYYA)
    correlation = cv2.compareHist(cv2.normalize(glcm[:, :, 0, 4], None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX), np.zeros((256, 256)), cv2.HISTCMP_BHATTACHARYYA)

    # 将统计特征拼接在一起
    texture_feature = np.array([contrast, dissimilarity, homogeneity, energy, correlation])

    return texture_feature

最后，我们可以定义一个函数来计算形态学特征。我们将使用边缘检测来提取图像的轮廓，并计算轮廓的面积和周长。

def get_morphology_feature(image):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 边缘检测
    edges = cv2.Canny(gray, 100, 200)

    # 寻找轮廓
    contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    # 计算面积和周长
    area = cv2.contourArea(contours[0])
    perimeter = cv2.arcLength(contours[0], True)

    # 将面积和周长拼接在一起
    morphology_feature = np.array([area, perimeter])

    return morphology_feature

接下来，我们可以定义一个函数来获取图像的特征向量。

def get_feature_vector(image):
    # 计算颜色特征
    color_feature = get_color_feature(image)

    # 计算纹理特征
    texture_feature = get_texture_feature(image)

    # 计算形态学特征
    morphology_feature = get_morphology_feature(image)

    # 将三种特征拼接在一起
    feature_vector = np.concatenate([color_feature, texture_feature, morphology_feature], axis=0)

    return feature_vector

现在，我们可以使用上述函数来计算超声图像和自然图像的特征向量，并使用多种方法来比较它们的差异。

首先，我们可以使用欧几里得距离来比较两个图像的特征向量。

# 加载超声图像和自然图像
us_path = 'D:/zzz/us5'
na_path = 'D:/zzz/na4'
us_images = [cv2.imread(os.path.join(us_path, f'{i}.jpg')) for i in range(1, 85)]
na_images = [cv2.imread(os.path.join(na_path, f'{i}.jpg')) for i in range(1, 85)]

# 计算超声图像和自然图像的特征向量
us_feature_vectors = [get_feature_vector(image) for image in us_images]
na_feature_vectors = [get_feature_vector(image) for image in na_images]

# 使用欧几里得距离比较两个图像的特征向量
euclidean_distances = []
for i in range(84):
    for j in range(i+1, 84):
        euclidean_distance = np.linalg.norm(us_feature_vectors[i] - na_feature_vectors[j])
        euclidean_distances.append(euclidean_distance)

# 绘制直方图
plt.hist(euclidean_distances, bins=50)
plt.title('Euclidean Distance')
plt.xlabel('Distance')
plt.ylabel('Count')
plt.show()

我们还可以使用余弦相似度来比较两个图像的特征向量。

# 使用余弦相似度比较两个图像的特征向量
cosine_similarities = []
for i in range(84):
    for j in range(i+1, 84):
        cosine_similarity = np.dot(us_feature_vectors[i], na_feature_vectors[j]) / (np.linalg.norm(us_feature_vectors[i]) * np.linalg.norm(na_feature_vectors[j]))
        cosine_similarities.append(cosine_similarity)

# 绘制直方图
plt.hist(cosine_similarities, bins=50)
plt.title('Cosine Similarity')
plt.xlabel('Similarity')
plt.ylabel('Count')
plt.show()

我们还可以使用SVM来训练一个分类器，将超声图像和自然图像分开。

# 创建训练集和测试集
X_train = np.concatenate([us_feature_vectors[:50], na_feature_vectors[:50]], axis=0)
X_test = np.concatenate([us_feature_vectors[50:], na_feature_vectors[50:]], axis=0)
y_train = np.array([0]*50 + [1]*50)
y_test = np.array([0]*34 + [1]*34)

# 训练SVM模型
from sklearn import svm
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)

# 测试SVM模型
y_pred = clf.predict(X_test)

# 计算精度和召回率
from sklearn.metrics import accuracy_score, recall_score
accuracy = accuracy_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)

print('Accuracy:', accuracy)
print('Recall:', recall)

完整代码如下：