Python 从图像的灰度共生矩阵计算熵

我正在使用

skimage

库进行大多数图像分析工作

我有一张RGB图像，我打算从图像中提取

纹理

特征，如

熵

、

能量

、

同质性

和

对比度

以下是我正在执行的步骤：

from skimage import io, color, feature
from skimage.filters import rank
rgbImg = io.imread(imgFlNm)
grayImg = color.rgb2gray(rgbImg)
print(grayImg.shape)  # (667,1000), a 2 dimensional grayscale image

glcm = feature.greycomatrix(grayImg, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4])
print(glcm.shape) # (256, 256, 1, 4)

rank.entropy(glcm, disk(5)) # throws an error since entropy expects a 2-D array in its arguments

rank.entropy(grayImg, disk(5)) # given an output.

我的问题是，从灰度图像（直接）计算的熵是否与从GLCM（纹理特征）提取的熵特征相同

如果没有，从图像中提取所有纹理特征的正确方法是什么

注：我已提及：

从灰度图像（直接）计算的熵是否与从GLCM（纹理特征）提取的熵特征相同

不，这两种熵是完全不同的：

skimage.filters.rank.entropy（grayImg，disk（5））

生成一个与

grayImg

大小相同的数组，该数组包含在圆心位于相应像素、半径为5像素的圆盘上计算的图像的局部熵。看一看，找出熵是如何计算的。该数组中的值对于分割非常有用（下面是一个基于熵的对象检测示例）。如果您的目标是通过单个（标量）值描述图像的熵，则可以使用

skimage.measure.shannon\u熵（grayImg）

。此函数基本上将以下公式应用于完整图像：

其中是灰度数（8位图像为256），是像素具有灰度的概率，是对数函数的基。当设置为2时，返回值以位测量

灰度共生矩阵（GLCM）是图像上给定偏移量处共生灰度值的直方图。为了描述图像的纹理，通常从为不同偏移量计算的多个共生矩阵中提取诸如熵、能量、对比度、相关性等特征。在这种情况下，熵的定义如下：

其中和再次分别是灰度级的数量和对数函数的底，并表示由指定偏移量分隔的两个像素具有强度和的概率。不幸的是，熵不是GLCM的属性之一，您可以通过scikit图像计算。如果您希望计算此功能，则需要将GLCM传递给

*在这篇文章最后一次编辑时，scikit图像的最新版本是0.13.1

如果没有，从图像中提取所有纹理特征的正确方法是什么

有各种各样的特征来描述图像的纹理，例如局部二值模式、Gabor滤波器、小波、Laws的遮罩和许多其他特征。Haralick是最流行的纹理描述符之一。通过GLCM特征描述图像纹理的一种可能方法包括计算不同偏移的GLCM（每个偏移通过距离和角度定义），并从每个GLCM中提取不同的属性

让我们考虑例如三个距离（1, 2和3像素），四个角度（0, 45, 90和135度）和两个属性（能量和均匀性）。这将导致偏移量（因此为12个GLCM）和尺寸特征向量。代码如下：

import numpy as np
from skimage import io, color, img_as_ubyte
from skimage.feature import greycomatrix, greycoprops
from sklearn.metrics.cluster import entropy

rgbImg = io.imread('https://i.stack.imgur.com/1xDvJ.jpg')
grayImg = img_as_ubyte(color.rgb2gray(rgbImg))

distances = [1, 2, 3]
angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]
properties = ['energy', 'homogeneity']

glcm = greycomatrix(grayImg, 
                    distances=distances, 
                    angles=angles,
                    symmetric=True,
                    normed=True)

feats = np.hstack([greycoprops(glcm, prop).ravel() for prop in properties])

使用此图像获得的结果：

:

---

你能详细说明你的答案吗？解释您试图绘制的内容？我想知道当设置了

normed=True

时，将

glcm

传递给

skimage.measure.shannon_entropy（）

是否正确？我们为什么不使用

normed=False

？要使熵公式成立，p（·）必须是一个概率，即GLCM项目的总和必须是1。这就是为什么参数

normed

必须设置为

True

import numpy as np
from skimage import io, color, img_as_ubyte
from skimage.feature import greycomatrix, greycoprops
from sklearn.metrics.cluster import entropy

rgbImg = io.imread('https://i.stack.imgur.com/1xDvJ.jpg')
grayImg = img_as_ubyte(color.rgb2gray(rgbImg))

distances = [1, 2, 3]
angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]
properties = ['energy', 'homogeneity']

glcm = greycomatrix(grayImg, 
                    distances=distances, 
                    angles=angles,
                    symmetric=True,
                    normed=True)

feats = np.hstack([greycoprops(glcm, prop).ravel() for prop in properties])

In [56]: entropy(grayImg)
Out[56]: 5.3864158185167534

In [57]: np.set_printoptions(precision=4)

In [58]: print(feats)
[ 0.026   0.0207  0.0237  0.0206  0.0201  0.0207  0.018   0.0206  0.0173
  0.016   0.0157  0.016   0.3185  0.2433  0.2977  0.2389  0.2219  0.2433
  0.1926  0.2389  0.1751  0.1598  0.1491  0.1565]