从图像的GLCM计算熵

Question

我正在使用skimage库进行大多数图像分析工作.

我有一个RGB图像,我打算提取texture喜欢的功能entropy,energy,homogeneity并contrast从图像.

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)中提取的熵特征相同？

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:我已经提到过:

熵 - 滑雪

GLCM - 纹理特征

Answer 1

来自灰度图像的计算熵(直接)是否与从GLCM(纹理特征)中提取的熵特征相同？

不,这两个熵是相当不同的:

1. skimage.filters.rank.entropy(grayImg, disk(5))产生一个相同大小的数组,grayImg其中包含在圆盘上计算的图像上的局部熵,其中心位于相应的像素,半径为5像素.看看熵(信息理论),找出如何计算熵.此数组中的值对于分段很有用(请点击此链接查看基于熵的对象检测的示例).如果您的目标是通过您可以使用的单个(标量)值来描述图像的熵skimage.measure.shannon_entropy(grayImg).此功能基本上将以下公式应用于完整图像:
   
   哪里 是灰度级数(8位图像为256), 是像素具有灰度级的概率 ,和 是对数函数的基础.什么时候设置为2,返回值以位为单位进行测量.
2. 灰度级共生矩阵(GLCM)是在图像上的给定偏移处的共同出现的灰度值的直方图.为了描述图像的纹理,通常从针对不同偏移计算的若干共现矩阵中提取诸如熵,能量,对比度,相关性等的特征.在这种情况下,熵定义如下:
   
   哪里 和 再次是灰度级的数量和对数函数的基数,和 表示由具有强度的指定偏移分隔的两个像素的概率 和 .不幸的是,熵不是GLCM的属性之一,你可以通过scikit-image ^*来计算.如果您想计算此功能,则需要将GLCM传递给skimage.measure.shannon_entropy.

^*在本文最后一次编辑时,最新版本的scikit-image为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？

有许多特征来描述图像的纹理,例如局部二进制图案,Gabor滤波器,小波,Laws的掩模和许多其他.Haralick的GLCM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在于计算用于不同偏移的GLCM(每个偏移通过距离和角度定义),并从每个GLCM提取不同的属性.

让我们考虑例如三个距离(1,2和3个像素),四个角度(0度,45度,90度和135度)和两个属性(能量和均匀性).这导致了 偏移(因而是12个GLCM)和维度的特征向量 .这是代码:

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:

:

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]