python灰度共生矩阵检测图像纹理变化

灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）是一种用于描述图像纹理特征的统计方法，常用于图像分析和模式识别。它可以通过计算同一方向上两个像素间灰度值的概率分布来描述图像的纹理特征。

在Python中，可以使用scikit-image库来计算灰度共生矩阵。首先需要将图像转换为灰度图像，然后使用skimage.feature.greycomatrix()函数计算灰度共生矩阵。该函数有多个参数可以调整，例如方向、距离、灰度级别等。例如：

from skimage import io, feature

# 读取图像并转换为灰度图像
img = io.imread('image.jpg', as_gray=True)

# 计算灰度共生矩阵
glcm = feature.greycomatrix(img, distances=[1], angles=[0], levels=256, symmetric=True, normed=True)

计算出灰度共生矩阵后，可以使用skimage.feature.greycoprops()函数计算不同的纹理特征，例如对比度、能量、熵、相关性等。例如：

# 计算对比度
contrast = feature.greycoprops(glcm, 'contrast')

# 计算能量
energy = feature.greycoprops(glcm, 'energy')

# 计算熵
entropy = feature.greycoprops(glcm, 'entropy')

# 计算相关性
correlation = feature.greycoprops(glcm, 'correlation')

通过计算不同的纹理特征，可以检测图像纹理的变化。例如，在两张图像之间比较它们的灰度共生矩阵的不同特征，可以发现它们之间的纹理变化。