【深度学习每日小知识】Co-occurrence matrix 共现矩阵

2024-01-24 14:04

本文主要是介绍【深度学习每日小知识】Co-occurrence matrix 共现矩阵,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!

共生矩阵或共生分布(也称为:灰度共生矩阵 GLCM)是在图像上定义为共生像素值(灰度值或颜色)分布的矩阵)在给定的偏移量处。它被用作纹理分析的方法,具有多种应用,特别是在医学图像分析中。

方法

给定灰度图像 ,共生矩阵计算具有特定值和偏移量的像素对在图像中出现的频率。

  • 偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy) 是一个位置运算符,可以应用于图像中的任何像素(忽略边缘效应):例如, ( 1 , 2 ) (1,2) (1,2)可以表示“一向下,二向右”。

  • 对于给定的偏移量,具有p个不同像素值的图像将产生一个 p × p p\times p p×p共生矩阵。

  • 共现矩阵的值 ( i , j ) t h (i,j)^{th} (i,j)th给出了图像中像素值 i t h i^{th} ith和像素值 j t h j^{th} jth以偏移给定的关系出现的次数。

对于具有p个不同像素值的图像, p × p p\times p p×p共生矩阵 C 在 n × m n\times m n×m图像 I I I上定义,由偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy) 参数化,如下所示:

C Δ x , Δ y ( i , j ) = ∑ x = 1 n ∑ y = 1 m { 1 , if  I ( x , y ) = i and  I ( x + Δ x , y + Δ y ) = j 0 , otherwise C_{\Delta x,\Delta y}(i,j) = \sum_{x=1}^{n} \sum_{y=1}^{m} \begin{cases} 1, & \text{if } I(x,y) = i \text{ and } I(x + \Delta x, y + \Delta y) = j \\ 0, & \text{otherwise} \end{cases} CΔx,Δy(i,j)=x=1ny=1m{1,0,if I(x,y)=i and I(x+Δx,y+Δy)=jotherwise

其中: i i i j j j是像素值;x和y是图像 I I I 中的空间位置;偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy)定义了计算该矩阵的空间关系;并 I ( x , y ) I(x,y) I(x,y)表示像素 ( x , y ) (x,y) (x,y)处的像素值。

图像的“值”最初是指指定像素的灰度值,但可以是任何值,从二进制开/关值到 32 位颜色及以上。 (请注意,32 位颜色将产生 2 32 × 2 32 2^{32} \times 2^{32} 232×232 共现矩阵!)

共现矩阵也可以用距离 d d d和角度 t h e t a theta theta来参数化,而不是用偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy)

任何矩阵或矩阵对都可以用来生成共生矩阵,尽管它们最常见的应用是测量图像中的纹理,因此如上所述的典型定义假设矩阵是图像。

还可以跨两个不同的图像定义矩阵。这样的矩阵然后可以用于颜色映射。

别名

共现矩阵也称为:

  • GLCM(灰度共生矩阵)
  • GLCH(灰度共生直方图)
  • 空间相关矩阵

图像分析中的应用

无论是考虑图像的强度或灰度值还是颜色的各个维度,共生矩阵都可以衡量图像的纹理。由于共现矩阵通常较大且稀疏,因此通常采用矩阵的各种度量来获得更有用的特征集。使用此技术生成的特征通常称为 Haralick 特征,以 Robert Haralick 命名。

纹理分析通常涉及检测图像中旋转不变的方面。为了近似这一点,通常会计算对应于相同关系但以各种规则角度(例如 0、45、90 和 135 度)旋转的共生矩阵并求和。

共生矩阵、小波变换和模型拟合等纹理测量尤其在医学图像分析中得到了应用。

应用场景

  1. 自然语言处理(NLP): 共现矩阵在词汇语义分析、主题建模等方面非常有用。它可以帮助理解不同词汇之间的关系,进而用于词义的聚类分析。

  2. 图像处理: 在图像分析中,共现矩阵通常用于纹理特征的提取,可以帮助区分不同的物体或场景。

  3. 数据分析和挖掘: 共现矩阵还可以用于各种数据分析任务,如推荐系统、模式识别等。

具体示例

NLP示例

假设我们有一个简短的文本:“the cat sat on the mat”。我们可以创建一个共现矩阵,其中包含文本中的每个单词(忽略重复),并计算它们共同出现的频率。

图像处理示例

在一张图片中,我们可以计算不同像素值之间的共现频率,这可以帮助我们分析图像的纹理特征。

AI图片示例

为了更直观地解释这一概念,我将创建一张图像来展示共现矩阵在NLP和图像处理中的应用。图像将包括一个简单的NLP共现矩阵示例,以及一个图像处理中的共现矩阵示例。

让我们开始创建这个图像。

在这里插入图片描述
这张图像直观地展示了共现矩阵在自然语言处理和图像处理中的应用。

  • 左半部分展示了一个用于自然语言处理的共现矩阵示例。这里用一个简单的表格表示了几个单词(如’the’, ‘cat’, ‘sat’, ‘on’, ‘mat’)在一个样本句子中的共同出现频率。

  • 右半部分则展示了图像处理中的共现矩阵。这部分用不同灰度的网格表示了在一个样本图像中不同像素值的共现频率。

这样的视觉展示有助于更好地理解共现矩阵的概念和其在不同领域的应用。

这篇关于【深度学习每日小知识】Co-occurrence matrix 共现矩阵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/639928

相关文章

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

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

国内环境搭建私有知识问答库踩坑记录(ollama+deepseek+ragflow)

《国内环境搭建私有知识问答库踩坑记录(ollama+deepseek+ragflow)》本文给大家利用deepseek模型搭建私有知识问答库的详细步骤和遇到的问题及解决办法,感兴趣的朋友一起看看吧... 目录1. 第1步大家在安装完ollama后,需要到系统环境变量中添加两个变量2. 第3步 “在cmd中

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR

Python与DeepSeek的深度融合实战

《Python与DeepSeek的深度融合实战》Python作为最受欢迎的编程语言之一,以其简洁易读的语法、丰富的库和广泛的应用场景,成为了无数开发者的首选,而DeepSeek,作为人工智能领域的新星... 目录一、python与DeepSeek的结合优势二、模型训练1. 数据准备2. 模型架构与参数设置3

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列(LCS)问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动