图像纹理特征提取(图像纹理特征提取代码)

图像特征提取方法

特点：

图像纹理特征提取(图像纹理特征提取代码)

1、局部特征

2、对旋转，缩放，亮度变化保持不变性

3、高速性

缺点：

1、局部特征

2、对边缘光滑的图像难以准确提取特征点

原理：

1、在尺度空间（例如高斯金字塔）上搜寻keypoints兴趣点（对于尺度和旋转不变）

2、筛选上一步获得的兴趣点

（1）对空间中的极值点进行定位

（2）用Hessian矩阵消除边缘效应3、在选定的尺度下，在兴趣点附近构造梯度方向直方图

4、对直方图进行统计，以此来描述此keypoints

总结：

这个方法是通过寻找通过高斯模糊来构造不同尺度下的高斯尺度空间金字塔，通过遍历所有点，找出尺度空间中的极值点（与26个点进行比较，分别是这一层的周围8个点，以及上下两层的9个点）。在初步探查之后，通过对尺度空间下的DoG函数进行拟合，来确定keypoints的位置。DoG算子的缺点是有较强的边缘效应，在消除边缘效应之后，得到的就是筛选后的keypoints。就是对找到的keypoints统计梯度方向直方图，并将其向量化。

简单来说，这个方法由于其旋转及尺度不变性，主要被应用于匹配的应用中。

参考链接1

参考链接2

原理：

1、预处理：灰度化，亮度空间标准化

2、计算图中每个像素的梯度

3、将图像划分成一个个cell

4、统计每个cell内的梯度直方图

5、将每几个cell组成一个block，将该block内的所有cell的的梯度特征串起来组成该block内的HoG特征

6、将整张图内的所有block的HoG向量串起来组成此图的HoG特征向量（可归一化）

总结：

这个方法通过设定不同大小的cell以及block作为参数，统计出整张图像的梯度特征（梯度可以反应物体的形状，边缘等特征），通过cell以及block的形式去部特征。该方法配合SVM曾是图像分类任务中最为常用的。

参考链接1

参考链接2

步骤：

1、确定cell大小

2、遍历cell中的像素，将其周围的8个像素与其相比较，若大于中心像素，则对应像素标记为1，否则为0

3、统计cell中的二值直方图，全部串起来组成图像的特征向量

总结：

这个方法通过二值降维的方式，提取出了图像的纹理特征，并且有效的减少了高频噪声的影响。

参考链接

步骤：

1、构建Hessian矩阵，生成所有的边缘点

2、构建尺度空间金字塔

3、keypoints定位，对步生成的所有边缘点进行尺度空间中的极值筛选

4、进行SIFT中的定位

5、特征点主方向选择，与SIFT不同的是，SURF采用的是Harr算法中的扇形统计

6、统计44cell中的梯度值，并整合成特征向量

总结：

这个方法是SIFT的优化算法，通过在步构造Hessian矩阵选出边缘点作为批keypoints，减少了SIFT中所有点在尺度空间中的极值对比。同时，通过该用Harr的扇形统计并沿主方向统计特征，使得每一个cell中的向量维度由原来的128降到了64 。

参考链接

图像纹理特征总体简述

搬运自本人 CSDN 博客： 《图像纹理特征总体简述》

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：

不同于灰度、颜色等图像特征，纹理通过 像素及其周围空间邻域的灰度分布 来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。

纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏而无法匹配成功。

在检索具有粗细、疏密等方面较大别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的别。例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚的纹理会对检索造成“误导”。

参考地址：

《图像特征提取（纹理特征）》

《纹理特征》

纹理特征分类图如下所示：

纹理特征的提取，一般都是通过设定一定大小的窗口，然后从中取得纹理特征。然而窗口的选择，存在着矛盾的要求：

这种情况下，会出现困难是：窗口太小，则会在同一种纹理内部出现误分割；而分析窗太大，则会在纹理边界区域出现许多误分割。

后文介绍纹理特征描述方法时，会从下面四个角度，分别对各方法进行比较：

按照纹理特征描述方法，可以分为以下几类：

统计方法是基于像素及其邻域的灰度属性，来研究纹理区域的统计特性。统计特性包括像素及其邻域内灰度的一阶、二阶或高阶统计特性等。

统计方法的典型代表，是一种被称为 灰度共生矩阵(GLCM) 的纹理分析方法。它是建立在估计图像的二阶组合条件概率密度基础上的一种方法。这种方法通过实验，研究了共生矩阵中各种统计特性，得出灰度共生矩阵中的四个关键特征： 能量、惯量、熵和相关性 。

尽管GLCM提取的纹理特征具有较好的鉴别能力，但是这个方法在计算上是昂贵的，尤其是对于像素级的纹理分类更具有局限性。并且，GLCM的计算较为耗时，好在不断有研究人员对其提出改进。

其他的统计方法，还包括 图像的自相关函数 ， 半方图 等。

几何法是建立在纹理基元理论基础上的一种纹理特征分析方法，其中的纹理基元即为基本的纹理元素。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元按照一定规律的形式重复排列构成。

在几何法中，比较有影响的算法有 Voronio棋盘格特征法 。

但几何法应用和发展极其受限，且后继研究很少。

模型法中存在设：纹理是以某种参数控制的分布模型方式为基础而形成的。

由于模型法从纹理图像的实现来估计计算模型参数，同时以参数为特征，或采用某种分类策略进行图像分割，所以 模型参数的估计 是模型法的核心问题。

模型型纹理特征提取方法以随机场模型方法和分形模型方法为主。

随机场模型法的典型方法，如马尔可夫随机场（MRF）模型法、Gibbs随机场模型法、分形模型和自回归模型。

信号处理的方法是建立在时域、频域分析，以及多尺度分析的基础上。这种方法对纹理图像某个区域内实行某种变换后，再提取出能够保持相对平稳的特征值，并以该特征值作为特征，表示区域内的一致性以及区域之间的相异性。

信号处理类的纹理特征主要是利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域，然后应用某种能量准则提取纹理特征。因此，基于信号处理的方法也称之为滤波方法。大多数信号处理方法的提出，都基于这样一个设：频域的能量分布能够鉴别纹理。

信号处理法的经典算法有： 灰度共生矩阵 、 Tamura纹理特征 、 自回归纹理模型 、 小波变换 等。

结构分析法认为，纹理是由纹理基元的类型、数目、以及基元之间的“重复性”的空间组织结构与排列规则来描述的，而且纹理基元几乎具有规范的关系。设纹理图像的基元可以被分离出来，以基元特征和排列规则进行纹理分割，显然结构分析法要解决的问题，就是确定与抽取基本的纹理单元，以及研究存在于纹理基元之间的“重复性”结构关系。

由于结构分析法强调纹理的规律性，所以比较适用于分析人造纹理，然而真实世界大量自然纹理通常是不规则的。此外，解耦股的变化是频繁的，所以结构分析法的应用受到很大程度的限制。

结构分析法的典型算法： 句法纹理描述算法 、 数学形态学方法 。

综上所述，在提取纹理特征的有效性方面，统计方法、模型法和信号处理法相较于几何法与结构分析法，可以说相无几，都获得了认可。

基于内容的图像检索的特征提取

基本体整体趋包含颜色、纹理、平面空间对应关系、外形，或者其他统计特征。 图像特征的提取与表达是基于内容的图像检索技术的基础。从广义上讲，图像的特征包括基于文本的特征（如关键字、注释等）和视觉特征（如色彩、纹理、形状、对象表面等）两类。视觉特征又可分为通用的视觉特征和领域相关的视觉特征。前者用于描述所有图像共有的特征，与图像的具体类型或内容无关，主要包括色彩、纹理和形状；后者则建立在对所描述图像内容的某些先验知识（或设）的基础上，与具体的应用紧密有关，例如人的面部特征或指纹特征等。 颜色是彩色图像层、最直观的物理特征，通常对噪声，图像质量的退化，尺寸、分辨率和方向等的变化具有很强的鲁棒性，是绝大多数基于内容的图像和视频检索的多媒体数据库中使用的特征之一。颜色特征的描述方法主要有以下四种：

颜色直方图(ColorHistogram)

它是最简单也是最常用的颜色特征，描述了图像颜色的统计分布特性，具有平移、尺度、旋转不变性。其核心思想是在颜色空间中采用一定的量化方法对颜色进行量化，然后统计每一个量化通道在整幅图像中所占的比重。

常用的颜色空间有RGB，CIE，HSI，HSV空间等，主要的量化方法有最重要信息位、颜色空间划分、颜色空间聚类、参考颜色、图像分割等，文献中讨论了对这些方法进行了讨论和总结。 由于颜色直方图缺乏颜色的空间分布信息，改进的方法包括在颜色索引时加入空间位置信息和基于区域的颜色查询。最简单的方法是子窗口直方图法，即将图像分割成子图像，一一建立索引。另一文献中将图像分成了大小相等的九个子图像，然后统计每个子图像中的颜色直方图。

颜色相关图(ColorCorrelogram)

其主要思想是用颜色对相对于距离的分布来描述信息，它反映了像素对的空间相关性，以及局部像素分布和总体像素分布的相关性，并且容易计算，特征范围小，效果好。

颜色矩(ColorMoment)

其基本思想是在颜色直方图的基础上计算出每个颜色通的均值、方、偏，用这些统计量替代颜色的分布来表示颜色特征。它具有特征量少，处理简单的特点。

颜色一致性矢量(Color Coherence Vectors, CCV)

本质上是一种引入空间信息改进的直方图算法，统计了图像中各颜色区域的像素数量。通过分离开一致性像素和非一致性像素，比直方图算法具有更好的区别效果。 纹理是图像的重要特征之一，通常定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量，其本质是刻画像素的邻域灰度空间分布规律。纹理特征描述方法大致可以分为四类：统计法、结构法、模型法、频谱法。

统计法

统计法分析纹理的主要思想是通过图像中灰度级分布的随机属性来描述纹理特征。最简单的统计法是借助于灰度直方图的矩来描述纹理，但这种方法没有利用像素相对位置的空间信息。

为了利用这些信息，Haralick 等人提出了用共生矩阵来表示纹理特征。 该方法研究了纹理的空间灰度级相关性，构造出一个基于图像像素间方向和距离的共生矩阵，并且从矩阵中提取出反、能量、熵、相关等统计量作为特征量表示纹理特征。

Tamura 等人基于人类视觉的心理学研究后提出了一些不同的方法来描述纹理特征，给出了几个不同的描述纹理特征的术语：粗糙度(Coarseness) 、对比度(Contrast) 、方向(Directionality) 、线性度(Linelikeness) 、规则度(Regularity) 、粗略度(Roughness) 等。Tamura 纹理和共生矩阵表示的主要区别在于:前者的所有纹理属性都是视觉意义上的，而后者的某些纹理属性不具有视觉意义(如信息熵) 。这一特点使得Tamura 的纹理表示在图像检索中使用得较多。QBIC 和MARS都进一步证明了这种表示方法。

结构法

结构法分析纹理的基本思想是定纹理模式由纹理基元以一定的、有规律的形式重复排列组合而成，特征提取就变为确定这些基元并定量分析它们的排列规则。Carlucci曾提出一个使用直线段、开放多边形和封闭多边形作为纹理基元的纹理模型，其排列规则由一种图状语法结构定义。 Lu and Fu给过一种树型语法结构表示纹理，他们将纹理按照9 ×9 的窗口进行分割，每个分解单元的空间结构表示为一棵树。 因为实际的纹理大都是无规则的，因此结构法受到很大限制。

模型法

模型法利用一些成熟的图像模型来描述纹理，如基于随机场统计学的马尔可夫随机场、子回归模型，以及在此基础上产生的多尺度子回归模型 (MultiResolution Simultaneous Autoregressive, MRSA) 等。这些模型的共同特点是通过少量的参数表征纹理。MRSA 区分不同纹理模式的能力较强，但同时计算开销也较大。

频谱法

频谱法借助于频率特性来描述纹理特征，包括傅里叶功率谱法 、Gabor 变换 、塔式小波变换( Pyramid Welet Transform ，PWT) 、树式小波变换( Tree Welet Transform，TWT) 等方法。Manjunath and Ma 实验指出， Gabor 特征提供了的模式检索精度，检索性能优于TWT 和PWT，略微优于MRSA ，缺点是计算速度慢，其旋转不变性和尺度不变性仍有待讨论。 形状是刻画物体最本质的特征，也是最难描述的图像特征之一，主要难在对图像中感兴趣目标的分割。对形状特征的提取主要是寻找一些几何不变量。目前用于图像检索的形状描述方法主要有两类:基于边缘和基于区域的形状方法。前者利用图像的边缘信息，而后者则利用区域内的灰度分布信息。

基于边缘

基于边缘的形状特征提取是在边缘检测的基础上，用面积、周长、偏心率、角点、链码、兴趣点、傅里叶描述子、矩描述子等特征来描述物体的形状，适用于图像边缘较为清晰、容易获取的图像。文献[16]首先对图像进行了高斯平滑，接着使用经典的兴趣点检测算法发现兴趣点，然后用兴趣点的测度值作为图像特征进行匹配。文献 提出将图像边缘上的角点作为特征点，然后使用Delaunay三角形进行划分，记录三角形的形状特征来描述图像的形状特征。这种方法由于是基于边缘上的一些特殊点，因此对噪声和点位置的变化较为敏感。文献采用边缘方向直方图来刻画形状特征，具有简单、平移不变性等优点，但也存在不具备尺度、旋转不变性等缺点。

基于区域

基于区域的形状特征提取的主要思路是通过图像分割技术提取出图像中感兴趣的物体，依靠区域内像素的颜色分布信息提取图像特征，适合于区域能够较为准确地分割出来、区域内颜色分布较为均匀的图像。文献应用变形模板技术，把用户提供的形状看作模板，与图像库中的形状进行匹配。由于是直接比较两个形状，因此具有较高的精度，但同时计算量也较大。 文献提出了一种形状弹性匹配算法，首先确定感兴趣区域，在这些区域中采用爬山优化算法获取图像边缘，并用这些边缘代表物体形状。 这种方法的优点是对图像边缘进行了筛选，缺点是需要人工干预。近年来，基于区域的图像检索方法已经成为基于内容的图像检索的一大研究热点。

图像纹理特征提取(图像纹理特征提取代码)

对一张进行特征提取的具体算法和程序。越具体越好。感谢，例如算出图像的形状长宽高之类的。

）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征.另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来.颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征.另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来.颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征.另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来.颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征.另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来.颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图

ENVI如何提取纹理特征

【1】步骤如下：ENVI->Filter->Texture->occurrence ->measures打开了一个对话框，open按钮选择要处理的图像。加载图像后点击OK又出现了一个对话框。选择计算纹理参数类型。有均值，协方，熵，等等。

【2】根据高光谱遥感影像处理具有多光谱和高光谱分析向导工具，从定标、噪声分析、像元纯度分析、N-D 散度分析取终端单元的流程有详细的提示，易于使用，可用于进一步的地物识别和特定目标提取。

【3】ENVI： (The Environment for Visualizing Images)是美国ITTVisualInformation Solutions公司的旗舰产品。ENVI由遥感领域的科学家采用IDL开发的一套功能强大的遥感图像处理软件；它是快速、便捷、准确地从地理空间影像中提取信息的首屈一指的软件解决方案，它提供先进的，人性化的使用工具来方便用户读取、准备、 探测、分析和共享影像中的信息。今天，众多的影像分析师和科学家选择ENVI来从地理空间影像中提取信息。已经广泛应用于科研、环境保护、气象、石油矿产勘探、农业、林业、医学、国防&安全、地球科学、公用设施管理、遥感工程、水利、海洋，测绘勘察和城市与区域规划等行业。

怎样用matlab提取图像的纹理特征？

其实学数字图像处理，关键的不是源代码（和一般编程还是有区别的，这个是经验之谈，其实一般博导未必会编程，但是你和他说说你的方法，他一般都能切中要害），而是你能理解基于概念及适用场所。x0dx0a基于颜色、纹理、形状都属于低层特征，这些你理解就够了，关键是对你的课题适合哪种方法来映射到高层语义上面，例如：识别物体轮廓，那可能形状就比较适合等。x0dx0a我之所以写上面那段话，主要是我感觉你索取代码也不说明具体要求，也就是方向不明确。x0dx0a如今颜色特征提取算法有很多，诸如颜色直方图、颜色矩、颜色集、颜色聚合向量、颜色相关图等，既然你没说，我就给个IEEECSVT2001的一篇关于颜色直方图法的论文（源码版权归作者所有）：x0dx0afunctioncolorhist=colorhist(rgb)x0dx0a%CBIR_colorhist()---colorhistogramcalculationx0dx0a%input:MxNx3imagedata,inRGBx0dx0a%output:1x256colorhistogram==(HxSxV=16x4x4)x0dx0a%astheMPEG-7genericcolorhistogramdescriptorx0dx0a%[Ref]Manjunath,B.S.;Ohm,J.-R.;Vasudevan,V.V.;Yamada,A.,"Colorandtexturedescriptors"x0dx0a%IEEETrans.CSVT,Volume:11Issue:6,Page(s):703-715,June2001(sectionIII.B)x0dx0a%checkinputx0dx0aifsize(rgb,3)~=3x0dx0aerror('3componentsisneededforhistogram');x0dx0aendx0dx0a%globalsx0dx0aH_BITS=4;S_BITS=2;V_BITS=2;x0dx0a%rgb2hsv可用rgb2hsi代替，见你以前的提问。x0dx0ahsv=uint8(255rgb2hsv(rgb));x0dx0ax0dx0aimgsize=size(hsv);x0dx0a%getridofirrelevantboundariesx0dx0ai0=round(0.05imgsize(1));i1=round(0.95imgsize(1));x0dx0aj0=round(0.05imgsize(2));j1=round(0.95imgsize(2));x0dx0ahsv=hsv(i0:i1,j0:j1,:);x0dx0ax0dx0a%histogramx0dx0afori=1:2^H_BITSx0dx0aforj=1:2^S_BITSx0dx0afork=1:2^V_BITSx0dx0acolorhist(i,j,k)=sum(sum(...x0dx0abitshift(hsv(:,:,1),-(8-H_BITS))==i-1&...x0dx0abitshift(hsv(:,:,2),-(8-S_BITS))==j-1&...x0dx0abitshift(hsv(:,:,3),-(8-V_BITS))==k-1));x0dx0aendx0dx0aendx0dx0aendx0dx0acolorhist=reshape(colorhist,1,2^(H_BITS+S_BITS+V_BITS));x0dx0a%normalizex0dx0acolorhist=colorhist/sum(colorhist);x0dx0ax0dx0a%基于纹理特征提取灰度共生矩阵用于纹理判断x0dx0a%Calculatescooccurrencematrixx0dx0a%foragivendirectionanddistancex0dx0a%x0dx0a%out=cooccurrence(input,dir,dist,symmetric);x0dx0a%x0dx0a%INPUT:x0dx0a%input:inputmatrixofanysizex0dx0a%x0dx0a%dir:directionofevaluationx0dx0a%"dir"valueAnglex0dx0a%00x0dx0a%1-45x0dx0a%2-90x0dx0a%3-135x0dx0a%4-180x0dx0a%5+135x0dx0a%6+90x0dx0a%7+45x0dx0a%x0dx0a%dist:distancebetweenpixelsx0dx0a%x0dx0a%symmetric:1forsymmetricversionx0dx0a%0fornon-symmetricversionx0dx0a%x0dx0a%eg:out=cooccurrence(input,0,1,1);x0dx0a%Author:BaranAydogan(15.07.2006)x0dx0a%RGI,TampereUniversityofTechnologyx0dx0a%baran.aydogan@tut.fix0dx0ax0dx0afunctionout=cooccurrence(input,dir,dist,symmetric);x0dx0ax0dx0ainput=round(input);x0dx0a[rc]=size(input);x0dx0ax0dx0amin_intensity=min(min(input));x0dx0amax_intensity=max(max(input));x0dx0ax0dx0aout=zeros(max_intensity-min_intensity+1);x0dx0aif(dir==0)x0dx0adir_x=0;dir_y=1;x0dx0aendx0dx0ax0dx0aif(dir==1)x0dx0adir_x=1;dir_y=1;x0dx0aendx0dx0ax0dx0aif(dir==2)x0dx0adir_x=1;dir_y=0;x0dx0aendx0dx0ax0dx0aif(dir==3)x0dx0adir_x=1;dir_y=-1;x0dx0aendx0dx0ax0dx0aif(dir==4)x0dx0adir_x=0;dir_y=-1;x0dx0aendx0dx0ax0dx0aif(dir==5)x0dx0adir_x=-1;dir_y=-1;x0dx0aendx0dx0ax0dx0aif(dir==6)x0dx0adir_x=-1;dir_y=0;x0dx0aendx0dx0ax0dx0aif(dir==7)x0dx0adir_x=-1;dir_y=1;x0dx0aendx0dx0ax0dx0adir_x=dir_xdist;x0dx0adir_y=dir_ydist;x0dx0ax0dx0aout_ind_x=0;x0dx0aout_ind_y=0;x0dx0ax0dx0aforintensity1=min_intensity:max_intensityx0dx0aout_ind_x=out_ind_x+1;x0dx0aout_ind_y=0;x0dx0ax0dx0a[ind_x1ind_y1]=find(input==intensity1);x0dx0aind_x1=ind_x1+dir_x;x0dx0aind_y1=ind_y1+dir_y;x0dx0ax0dx0aforintensity2=min_intensity:max_intensityx0dx0aout_ind_y=out_ind_y+1;x0dx0ax0dx0a[ind_x2ind_y2]=find(input==intensity2);x0dx0ax0dx0acount=0;x0dx0ax0dx0afori=1:size(ind_x1,1)x0dx0aforj=1:size(ind_x2,1)x0dx0aif((ind_x1(i)==ind_x2(j))&&(ind_y1(i)==ind_y2(j)))x0dx0acount=count+1;x0dx0aendx0dx0aendx0dx0aendx0dx0ax0dx0aout(out_ind_x,out_ind_y)=count;x0dx0ax0dx0aendx0dx0aendx0dx0ax0dx0aif(symmetric)x0dx0ax0dx0aif(dir<4)x0dx0adir=dir+4;x0dx0aelsex0dx0adir=mod(dir,4);x0dx0aendx0dx0aout=out+cooccurrence(input,dir,dist,0);x0dx0aend

如何在MATLAB下利用灰度共生矩阵提取分析遥感影像的纹理特征

1.图像分块（纹理不可能存在于一个点里），用graycomatrix得到每块的共生矩阵

2.用graycoprops得到该共生矩阵的相应特征，为Contrast Correlation Energy Homogeneity

如：

g=graycoprops(graycomatrix(C{i,j},'offset',[0 D; -D D; -D 0; -D -D]));

pg=[g.Contrast g.Correlation g.Energy g.Homogeneity];