代码报错： % 读取图像 img = imread('lena.bmp'); % 将图像转换为灰度图像 grayImg = rgb2gray(img); % 设置灰度共生矩阵参数 offsets = [0 1; -1 1; -1 0; -1 -1]; numLevels = 256; symmetric = true; normGLCM = true; % 计算灰度共生矩阵 glcms = graycomatrix(grayImg, 'Offset', offsets, 'NumLevels', numLevels, 'Symmetric', symmetric, 'Normalization', 'probability'); % 输出灰度共生矩阵 for i = 1:size(glcms,3) fprintf('灰度共生矩阵 - 方向 %d：\n', i*45); disp(glcms(:,:,i)); end

这段代码的报错可能是因为您的MATLAB版本过低，没有graycomatrix函数。请确保您的MATLAB版本大于7.5（R2007b）以使用graycomatrix函数。如果您的版本太低，可以考虑更新MATLAB版本或使用其他方法计算灰度共生矩阵。

如果您的版本符合要求，可以尝试将灰度共生矩阵的计算方式更改为另一种方式，例如使用graycoprops函数计算灰度共生矩阵的统计属性。下面是一个示例代码：

% 读取图像
img = imread('lena.bmp');

% 将图像转换为灰度图像
grayImg = rgb2gray(img);

% 设置灰度共生矩阵参数
offsets = [0 1; -1 1; -1 0; -1 -1];
numLevels = 256;

% 计算灰度共生矩阵
glcms = graycomatrix(grayImg, 'Offset', offsets, 'NumLevels', numLevels);

% 计算灰度共生矩阵的统计属性
stats = graycoprops(glcms);

% 输出灰度共生矩阵的统计属性
fprintf('能量 - 方向 0: %.4f\n', stats.Energy(1));
fprintf('能量 - 方向 45: %.4f\n', stats.Energy(2));
fprintf('能量 - 方向 90: %.4f\n', stats.Energy(3));
fprintf('能量 - 方向 135: %.4f\n', stats.Energy(4));

fprintf('对比度 - 方向 0: %.4f\n', stats.Contrast(1));
fprintf('对比度 - 方向 45: %.4f\n', stats.Contrast(2));
fprintf('对比度 - 方向 90: %.4f\n', stats.Contrast(3));
fprintf('对比度 - 方向 135: %.4f\n', stats.Contrast(4));

fprintf('相关性 - 方向 0: %.4f\n', stats.Correlation(1));
fprintf('相关性 - 方向 45: %.4f\n', stats.Correlation(2));
fprintf('相关性 - 方向 90: %.4f\n', stats.Correlation(3));
fprintf('相关性 - 方向 135: %.4f\n', stats.Correlation(4));

fprintf('均匀性 - 方向 0: %.4f\n', stats.Homogeneity(1));
fprintf('均匀性 - 方向 45: %.4f\n', stats.Homogeneity(2));
fprintf('均匀性 - 方向 90: %.4f\n', stats.Homogeneity(3));
fprintf('均匀性 - 方向 135: %.4f\n', stats.Homogeneity(4));

在这个示例代码中，我们使用graycomatrix函数计算灰度共生矩阵，并使用graycoprops函数计算灰度共生矩阵的统计属性，包括能量、对比度、相关性和均匀性。最后，我们使用fprintf函数输出这些统计属性。