特征提取之灰度游程（行程）矩阵-GLRLM

关注

VIP免费原创最新推荐文章于 2026-02-15 03:14:57 发布 1w 阅读 AI 写同款· GEO 优化 ›

最近在项目中要进行图像的特征提取工作，为了便于以后查阅和使用，遂写博客以记录。
说到图像的纹理特征，大家能想到的就是灰度共生矩阵（Gray-Level Co-Occurrence Matrix, GLCM）、灰度游程矩阵（Gray-Level Run-Length Matrix, GLRLM)、局部二值模式（Local Binary Pattern, LBP）和方向梯度直方图（Histogram of Oriented Gradient, HOG)。

这篇博文主要总结一下灰度游程矩阵，顾名思义，灰度游程矩阵就是灰度值游行的长度所组成的矩阵。我们直接上定义，记灰度共生矩阵为D[i, j, theta]，其中i表示原始图像中的像素值，i的所有取值为原始图像的灰度级数，j表示像素值所游走的长度，也就是在图像中有j个连续的i出现，theta表示计算的方向，一般有0度、45度、90度和135度。

下面以一个例子说明：

Img = [[1, 1, 0, 0],
       [1, 1, 0, 0],
       [0, 0, 2, 2],
       [0, 0, 2, 2]]

我们以theta=0计算GLRLM，theta=0也就是按照水平方向计算，按照上述可以将灰度游程矩阵表示为D[i, j, theta]，D.shape=(3, 4, 1)，其中3表示灰度阶数[0, 1, 2]；4表示最长的数据值，即对角线长为4；1表示theta的个数，即只有theta=0。按照水平方向计算，统计像素0，0连续出现4次为0， 0连续出现3次为0，0连续出现2次为4，0连续出现1次为0（这里需要注意：因为在计算0连续出现2次时已经计算了所有的0，所以再计算0出现一次时就不将刚才计算过的0列入其中），所以像素0结果为[0, 4, 0, 0]。按照以上方法计算像素1结果为[0, 2, 0, 0]，所以有：

按照theta=0度计算结果：
P_0 = [[0, 4, 0, 0],
       [0, 2, 0, 0],
       [0, 2, 0, 0]]

按照theta=45度计算结果：
P_45 = [[4, 0, 0, 1],
        [2, 1, 0, 0],
        [2, 1, 0, 0]]

按照theta=90度计算结果：
P_90 = [[0, 4, 0, 0],
        [0, 2, 0, 0],
        [0, 2, 0, 0]]

按照theta=135度计算结果：
P_135 = [[4, 2, 0, 0],
         [2, 1, 0, 0],
         [2, 1, 0, 0]]

此处要注意两点：

每次计算时从最长的像素串开始统计；

对于已经统计过的像素串，在计算比其长度小的子串时应该舍弃。

说清楚了计算方法，我们接下来上代码：

def getGrayLevelRumatrix(self, array, theta):
        '''
        计算给定图像的灰度游程矩阵

最低0.47元/天解锁文章

计算方法（自用存档和，是非常重要的步骤。接下来，我将分步介绍如何理解这些算法，并说明如何在 Python、Matlab 和 C++ 中实现它们。阅读详情

特征提取之灰度游程（行程）矩阵-GLRLM

相关推荐