tamura纹理特征 JAVA_Tamura纹理特征的matlab实现

2023-10-23 19:51

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

0818b9ca8b590ca3270a3433284dd417.png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!



http://www.chinasem.cn/article/270104

相关文章

Java反转字符串的五种方法总结

《Java反转字符串的五种方法总结》:本文主要介绍五种在Java中反转字符串的方法,包括使用StringBuilder的reverse()方法、字符数组、自定义StringBuilder方法、直接... 目录前言方法一:使用StringBuilder的reverse()方法方法二:使用字符数组方法三:使用自

Qt把文件夹从A移动到B的实现示例

《Qt把文件夹从A移动到B的实现示例》本文主要介绍了Qt把文件夹从A移动到B的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录如何移动一个文件? 如何移动文件夹(包含里面的全部内容):如何删除文件夹:QT 文件复制,移动(

Flask 验证码自动生成的实现示例

《Flask验证码自动生成的实现示例》本文主要介绍了Flask验证码自动生成的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习... 目录生成图片以及结果处理验证码蓝图html页面展示想必验证码大家都有所了解,但是可以自己定义图片验证码

VSCode配置Anaconda Python环境的实现

《VSCode配置AnacondaPython环境的实现》VisualStudioCode中可以使用Anaconda环境进行Python开发,本文主要介绍了VSCode配置AnacondaPytho... 目录前言一、安装 Visual Studio Code 和 Anaconda二、创建或激活 conda

使用mvn deploy命令上传jar包的实现

《使用mvndeploy命令上传jar包的实现》本文介绍了使用mvndeploy:deploy-file命令将本地仓库中的JAR包重新发布到Maven私服,文中通过示例代码介绍的非常详细,对大家的学... 目录一、背景二、环境三、配置nexus上传账号四、执行deploy命令上传包1. 首先需要把本地仓中要

JAVA封装多线程实现的方式及原理

《JAVA封装多线程实现的方式及原理》:本文主要介绍Java中封装多线程的原理和常见方式,通过封装可以简化多线程的使用,提高安全性,并增强代码的可维护性和可扩展性,需要的朋友可以参考下... 目录前言一、封装的目标二、常见的封装方式及原理总结前言在 Java 中,封装多线程的原理主要围绕着将多线程相关的操

MySQL中实现多表查询的操作方法(配sql+实操图+案例巩固 通俗易懂版)

《MySQL中实现多表查询的操作方法(配sql+实操图+案例巩固通俗易懂版)》本文主要讲解了MySQL中的多表查询,包括子查询、笛卡尔积、自连接、多表查询的实现方法以及多列子查询等,通过实际例子和操... 目录复合查询1. 回顾查询基本操作group by 分组having1. 显示部门号为10的部门名,员

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Spring Cloud之注册中心Nacos的使用详解

《SpringCloud之注册中心Nacos的使用详解》本文介绍SpringCloudAlibaba中的Nacos组件,对比了Nacos与Eureka的区别,展示了如何在项目中引入SpringClo... 目录Naacos服务注册/服务发现引⼊Spring Cloud Alibaba依赖引入Naco编程s依

java导出pdf文件的详细实现方法

《java导出pdf文件的详细实现方法》:本文主要介绍java导出pdf文件的详细实现方法,包括制作模板、获取中文字体文件、实现后端服务以及前端发起请求并生成下载链接,需要的朋友可以参考下... 目录使用注意点包含内容1、制作pdf模板2、获取pdf导出中文需要的文件3、实现4、前端发起请求并生成下载链接使