python - skimage 的图像纹理

Question

我正在尝试获取 texture properties来 self 使用 skimage.feature 中的 greycomatrix 创建的 GLCM。我的输入数据是具有多个波段的图像，我想要每个像素的纹理属性(生成尺寸为 cols x rows x (properties *bands) 的图像)，因为它可以使用以下方式实现环境。但我对此还太陌生，无法掌握greycomatrix和greycoprops。这是我尝试过的:

import numpy as np
from skimage import io
from skimage.feature import greycomatrix, greycoprops

array = io.imread('MYFILE.tif')
array = array.astype(np.int64)
props = ['contrast', 'dissimilarity', 'homogeneity', 'energy', 'correlation', 'ASM']
textures = np.zeros((array.shape[0], array.shape[1], array.shape[2] * len(props)), np.float32)
angles = [0, np.pi / 4, np.pi / 2, 3 * np.pi / 4]
bands = array.shape[2]
for b in range(bands):
    glcm = greycomatrix(array[:, :, b], [1], angles, np.nanmax(array) + 1,
                        symmetric=True, normed=True)
    for p, prop in enumerate(props):
        textures[:, :, b] = greycoprops(glcm, prop)

不幸的是，这为每个 prop 提供了一个 1 x 4 矩阵，我猜这是整个图像的每个角度一个值，但这不是我想要的。我需要每个像素它，就像每个像素的对比度，从其各自的周围环境计算出来。我错过了什么？

Answer 1

这段代码应该可以完成工作:

import numpy as np
from skimage import io, util
from skimage.feature.texture import greycomatrix, greycoprops

img = io.imread('fourbandimg.tif')

rows, cols, bands = img.shape

radius = 5
side = 2*radius + 1

distances = [1]
angles = [0, np.pi/2]
props = ['contrast', 'dissimilarity', 'homogeneity']
dim = len(distances)*len(angles)*len(props)*bands

padded = np.pad(img, radius, mode='reflect')
windows = [util.view_as_windows(padded[:, :, band].copy(), (side, side))
           for band in range(bands)]
feats = np.zeros(shape=(rows, cols, dim))

for row in range(rows):
    for col in range(cols):
        pixel_feats = []
        for band in range(bands):
            glcm = greycomatrix(windows[band][row, col, :, :],
                                distances=distances,
                                angles=angles)
            pixel_feats.extend([greycoprops(glcm, prop).ravel()
                                for prop in props])
        feats[row, col, :] = np.concatenate(pixel_feats)

示例图像有128行、128列、4个波段(点击here下载)。在每个图像像素处，使用大小为 11 的方形局部邻域来计算每个波段对应于右侧像素和上方像素的灰度矩阵。然后，计算这些矩阵的对比度、相异性和同质性。因此我们有 4 个带、1 个距离、2 个角度和 3 个属性。因此，对于每个像素，特征向量有 4 × 1 × 2 × 3 = 24 个分量。

请注意，为了保留行数和列数，已使用沿阵列边缘镜像的图像本身来填充图像。如果这种方法不符合您的需求，您可以简单地忽略图像的外框。

最后需要注意的是，代码可能需要一段时间才能运行。

演示

In [193]: img.shape
Out[193]: (128, 128, 4)

In [194]: feats.shape
Out[194]: (128, 128, 24)

In [195]: feats[64, 64, :]
Out[195]: 
array([  1.51690000e+04,   9.50100000e+03,   1.02300000e+03,
         8.53000000e+02,   1.25203577e+01,   9.38930575e+00,
         2.54300000e+03,   1.47800000e+03,   3.89000000e+02,
         3.10000000e+02,   2.95064854e+01,   3.38267222e+01,
         2.18970000e+04,   1.71690000e+04,   1.21900000e+03,
         1.06700000e+03,   1.09729371e+01,   1.11741654e+01,
         2.54300000e+03,   1.47800000e+03,   3.89000000e+02,
         3.10000000e+02,   2.95064854e+01,   3.38267222e+01])

In [196]: io.imshow(img)
Out[196]: <matplotlib.image.AxesImage at 0x2a74bc728d0>

编辑

您可以通过 NumPy 的 uint8 将数据转换为 greycomatrix 所需的类型或 scikit-images 的 img_as_ubyte .