本文主要是介绍tamura纹理特征 JAVA_Tamura纹理特征的matlab实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
事实上这篇文章并非原创，代码都是别人写的，可是在我的机子上有些地方不能run，我做了一丁点的修改，所以就把文章设置为原创了。另外，最初的参照博客已经看不到了，我看到的已经是别人转的，所以我有必要贴一下别人的链接以示尊重。
第一个链接： http://blog.sina.com.cn/s/blog_59ead5d90100gx1d.html 该文章已被加密，打不开了
幸亏有别人已经转载博主的文章，我的这篇文章就是从第二篇文章那里复制加修改得到的，代码整理放在CSDN博客上看起来更加美观，且亲测可直接运行。
下面分模块贴代码，代码是我在第二个链接的基础上稍作修改得到的，亲测可直接运行，没有任何问题。
第一个指标 Coarseness，粗糙度
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%f=coarseness(image,5)
function Fcrs = coarseness( graypic,kmax )%graphic为待处理的灰度图像，2^kmax为最大窗口
[h,w]=size(graypic); %获取图片大小
A=zeros(h,w,2^kmax); %平均灰度值矩阵A
%计算有效可计算范围内每个点的2^k邻域内的平均灰度值
for i=2^(kmax-1)+1:h-2^(kmax-1)
for j=2^(kmax-1)+1:w-2^(kmax-1)
for k=1:kmax
A(i,j,k)=mean2(graypic(i-2^(k-1):i+2^(k-1)-1,j-2^(k-1):j+2^(k-1)-1));
end
end
end
%对每个像素点计算在水平和垂直方向上不重叠窗口之间的Ak差
for i=1+2^(kmax-1):h-2^(kmax-1)
for j=1+2^(kmax-1):w-2^(kmax-1)
for k=1:kmax
Eh(i,j,k)=abs(A(i+2^(k-1),j,k)-A(i-2^(k-1),j));
Ev(i,j,k)=abs(A(i,j+2^(k-1),k)-A(i,j-2^(k-1)));
end
end
end
%对每个像素点计算使E达到最大值的k
for i=2^(kmax-1)+1:h-2^(kmax-1)
for j=2^(kmax-1)+1:w-2^(kmax-1)
[maxEh,p]=max(Eh(i,j,:));
[maxEv,q]=max(Ev(i,j,:));
if maxEh>maxEv
maxkk=p;
else
maxkk=q;
end
Sbest(i,j)=2^maxkk; %每个像素点的最优窗口大小为2^maxkk
end
end
%所有Sbest的均值作为整幅图片的粗糙度
Fcrs=mean2(Sbest);
end第二个指标 Contrast，对比度
%调用举例：
%注意这个函数因为涉及到方差，要求输入类型为double，因此我这里在源代码上做了适当的修改
%image=rgb2gray(imread('example.jpg'));
%f=contrast(image)
function Fcon=contrast(graypic) %graypic为待处理的灰度图片
graypic=double(graypic);%这一句我自己做了修改，否则原博文中的代码不能直接运行
x=graypic(:); %二维向量一维化
M4=mean((x-mean(x)).^4); %四阶矩
delta2=var(x,1); %方差
alfa4=M4/(delta2^2); %峰度
delta=std(x,1); %标准差
Fcon=delta/(alfa4^(1/4)); %对比度
end第三个指标 Directionality，方向度
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%[Fdir,sita]=directionality(image)
%sita为各像素点的角度矩阵，在线性度中会用到，所以这里作为结果返回
function [Fdir,sita]=directionality(graypic)
[h w]=size(graypic);
%两个方向的卷积矩阵
GradientH=[-1 0 1;-1 0 1;-1 0 1];
GradientV=[ 1 1 1;0 0 0;-1 -1 -1];
%卷积，取有效结果矩阵
MHconv=conv2(graypic,GradientH);
MH=MHconv(3:h,3:w);
MVconv=conv2(graypic,GradientV);
MV=MVconv(3:h,3:w)
%向量模
MG=(abs(MH)+abs(MV))./2;
%有效矩阵大小
validH=h-2;
validW=w-2
%各像素点的方向
for i=1:validH
for j=1:validW
sita(i,j)=atan(MV(i,j)/MH(i,j))+(pi/2);
end
end
n=16;
t=12;
Nsita=zeros(1,n);
%构造方向的统计直方图
for i=1:validH
for j=1:validW
for k=1:n
if sita(i,j)>=(2*(k-1)*pi/2/n) && sita(i,j)=t
Nsita(k)=Nsita(k)+1;
end
end
end
end
for k=1:n
HD(k)=Nsita(k)/sum(Nsita(:));
end
%假设每幅图片只有一个方向峰值，为计算方便简化了原著
[maxvalue,FIp]=max(HD);
Fdir=0;
for k=1:n
Fdir=Fdir+(k-FIp)^2*HD(k);%公式与原著有改动
end
end第四个指标 Linelikeness，线性度
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%Flin=linelikeness(image,sita,4) %sita为directionality.m返回的结果
function Flin=linelikeness(graypic,sita,d) %d为共生矩阵计算时的像素间隔距离
n=16;
[h,w]=size(graypic);
%构造方向共生矩阵
PDd1=zeros(n,n);
PDd2=zeros(n,n);
PDd3=zeros(n,n);
PDd4=zeros(n,n);
PDd5=zeros(n,n);
PDd6=zeros(n,n);
PDd7=zeros(n,n);
PDd8=zeros(n,n);
for i=d+1:h-d-2
for j=d+1:w-d-2
for m1=1:n
for m2=1:n
%下方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i+d,j)
PDd1(m1,m2)=PDd1(m1,m2)+1;
end
%上方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i-d,j)
PDd2(m1,m2)=PDd2(m1,m2)+1;
end
%右方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i,j+d)
PDd3(m1,m2)=PDd3(m1,m2)+1;
end
%左方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i,j-d)
PDd4(m1,m2)=PDd4(m1,m2)+1;
end
%右下方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i+d,j+d)
PDd5(m1,m2)=PDd5(m1,m2)+1;
end
%右上方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i-d,j+d)
PDd6(m1,m2)=PDd6(m1,m2)+1;
end
%左下方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i+d,j-d)
PDd7(m1,m2)=PDd7(m1,m2)+1;
end
%左上方向
if (sita(i,j)>=(2*(m1-1)*pi/2/n) && sita(i,j)=(2*(m2-1)*pi/2/n) && sita(i-d,j-d)
PDd8(m1,m2)=PDd8(m1,m2)+1;
end
end
end
end
end
f=zeros(1,8);
g=zeros(1,8);
for i=1:n
for j=1:n
f(1)=f(1)+PDd1(i,j)*cos((i-j)*2*pi/n);
g(1)=g(1)+PDd1(i,j);
f(2)=f(2)+PDd2(i,j)*cos((i-j)*2*pi/n);
g(2)=g(2)+PDd2(i,j);
f(3)=f(3)+PDd3(i,j)*cos((i-j)*2*pi/n);
g(3)=g(3)+PDd3(i,j);
f(4)=f(4)+PDd4(i,j)*cos((i-j)*2*pi/n);
g(4)=g(4)+PDd4(i,j);
f(5)=f(5)+PDd5(i,j)*cos((i-j)*2*pi/n);
g(5)=g(5)+PDd5(i,j);
f(6)=f(6)+PDd6(i,j)*cos((i-j)*2*pi/n);
g(6)=g(6)+PDd6(i,j);
f(7)=f(7)+PDd7(i,j)*cos((i-j)*2*pi/n);
g(7)=g(7)+PDd7(i,j);
f(8)=f(8)+PDd8(i,j)*cos((i-j)*2*pi/n);
g(8)=g(4)+PDd8(i,j);
end
end
tempM=f./g;
Flin=max(tempM);%取8个方向的线性度最大值作为图片的线性度
end
第五个指标 Regularity，规则度
%调用举例：
%image=rgb2gray(imread('example.jpg'));
%Freg=regularity(image,64)
function Freg=regularity(graypic,windowsize) %windowsize为计算规则度的子窗口大小
[h,w]=size(graypic);
k=0;
for i=1:windowsize:h-windowsize
for j=1:windowsize:w-windowsize
k=k+1;
crs(k)=coarseness(graypic(i:i+windowsize-1,j:j+windowsize-1),5); %粗糙度
con(k)=contrast(graypic(i:i+windowsize-1,j:j+windowsize-1)); %对比度
[dire(k),sita]=directionality(graypic(i:i+windowsize-1,j:j+windowsize-1));%方向度
lin=linelikeness(graypic(i:i+windowsize-1,j:j+windowsize-1),sita,4)*10; %线性度，*10与crs、con、dire同量级化
end
end
%求上述各参数的标准差
Dcrs=std(crs,1);
Dcon=std(con,1);
Ddir=std(dire,1);
Dlin=std(lin,1);
%规则度Freg=1-(Dcrs+Dcon+Ddir+Dlin)/4/100;end第六个指标 Roughness，粗略度
%粗略度
Frgh=Fcrs+Fcon;
这篇文章我读的很费劲，感觉很多地方其实并没有多么明白，只是希望拿这几个指标作为图像纹理“好坏”的衡标准，为调参过程提供依据，仅此而已。
有问题可发邮件至 jzwang@bjtu.edu.cn 讨论交流。注：代码非我所写，我只做丁点修改使之可在我的机器上顺利运行。向原作致谢，如有侵权马上删掉！
这篇关于tamura纹理特征 JAVA_Tamura纹理特征的matlab实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
