Computer vision skimage.feature.greycomatrix仅产生对角线值

我试图在趋势减少的数字高程模型上生成glcm。我当前的问题是skimage.feature.greycomatrix（image）的输出只包含矩阵的对角项中的值

glcm = greycomatrix(image,distances=[1],levels=100,angles=[0] ,symmetric=True,normed=True)

使用以下代码对图像进行量化：

import numpy as np
from skimage.feature import greycomatrix
def quantize(raster):
    print("\n Quantizing \n")
    raster += (np.abs(np.min(raster)) + 1)
    mean = np.nanmean(raster.raster[raster.raster > 0])
    std = np.nanstd(raster.raster[raster.raster > 0])

    raster[raster == None] = 0 # set all None values to 0
    raster[np.isnan(raster)] = 0
    raster[raster > (mean + 1.5*std)] = 0
    raster[raster < (mean - 1.5*std)] = 0 # High pass filter
    raster[raster > 0] = raster[raster > 0] - (np.min(raster[raster > 0]) - 1)
    raster[raster>101] = 0
    raster = np.rint(raster)
    flat = np.ndarray.flatten(raster[raster > 0])
    range = np.max(flat) - np.min(flat)
    print("\n\nRaster Range: {}\n\n".format(range))
    raster = raster.astype(np.uint8)
    raster[raster > 101] = 0 

将numpy导入为np
从skimage.feature导入灰色矩阵
def量化（光栅）：
打印（“\n量化\n”）
光栅+=（np.abs（np.min（光栅））+1）
平均值=np.nanmean（raster.raster[raster.raster>0]）
std=np.nanstd（光栅.光栅[光栅.光栅>0]）
光栅[光栅==无]=0#将所有无值设置为0
光栅[np.isnan（光栅）]=0
光栅[光栅>（平均值+1.5*std）]=0
光栅[光栅<（平均值-1.5*std）]=0#高通滤波器
光栅[光栅>0]=光栅[光栅>0]-（np.min（光栅[光栅>0]）-1）
光栅[光栅>101]=0
光栅=np.rint（光栅）
展平=np.ndarray.flant（光栅[光栅>0]）
范围=np.最大值（平坦）-np.最小值（平坦）
打印（“\n\n主范围：{}\n\n.”格式（范围））
光栅=光栅.astype（np.uint8）
光栅[光栅>101]=0

---

我如何让glcm计算对角线矩阵之外的值（即，仅计算值本身的频率），我的方法是否存在根本性的错误？

如果图像中的像素强度相关，则两个类似级别很可能同时出现，因此，相应GLCM的非零元素将集中在主对角线周围。相反，如果像素强度不相关，GLCM的非零元素将分布在整个矩阵中。以下示例说明了这一点：

将numpy导入为np
从浏览导入数据
将matplotlib.pyplot作为plt导入
从skimage.feature导入灰色矩阵
x=data.brick（）
y=data.grasser（）
mx=greycomatrix（x，距离=[1]，级别=256，角度=0，标准化=True）
my=灰色矩阵（y，距离=[1]，级别=256，角度=[0]，标准化=真）
图，ax=plt.子批次（2，2，figsize=（12，8））
ax[0,0].imshow（x，cmap='gray'）
ax[0,1].imshow（mx[：，：，0,0]）
ax[1,0].imshow（y，cmap='gray'）
ax[1,1].imshow（我的[：，：，0,0]）

尽管我还没有看到您的光栅图像，但我猜强度在

量化返回的图像中变化非常平稳，因此GLCM主要是对角线