Mahotas - Haralic 特征
Haralick 特征描述图像的纹理。纹理是指图像中赋予其特定外观的图案，例如表面的平滑度或物体的排列。
为了处理 Haralick 特征，我们使用一种称为灰度共生矩阵 (GLCM) 的特殊矩阵。它是一个表示图像中像素强度对之间关系的矩阵。
它提供有关不同像素强度值组合在图像内特定距离出现频率的信息。
Mahotas 中的 Haralic 特征
要使用 Mahotas 计算 Haralick 特征，请通过指定像素对的距离和方向来创建 GLCM。接下来，使用 GLCM 计算形成 Haralick 特征的各种统计度量。
这些测量包括对比度、相关性、能量、熵、同质性等。最后，检索计算出的 Haralick 特征。
例如，Haralick 纹理分析中的对比度特征告诉我们图像中相邻像素的亮度或暗度变化程度。为了计算此特征，我们分析了 GLCM 矩阵。
此矩阵显示具有不同亮度级别的像素对一起出现的频率以及它们在图像中的位置。
我们可以使用 mahotas.features.haralick() 函数来计算 mahotas 中的 haralick 特征。
mahotas.features.haralick() 函数
haralick() 函数以灰度图像作为输入并返回计算出的 Haralick 特征。 Haralick 特征是根据灰度图像计算的。
Mahotas 允许我们通过分析图像的 GLCM 来计算 Haralick 特征。这样，我们可以提取有关图像中存在的纹理模式的信息。
语法
以下是 mahotas − 中 haralick() 函数的基本语法
mahotas.features.haralick(f, ignore_zeros=False, retain_haralick_bug=False, compute_14th_feature=False, return_mean=False, return_mean_ptp=False, use_x_minus_y_variance=False, distance=1)
参数
以下是 mahotas − 中 haralick() 函数接受的参数
f − 它是输入图像。
ignore_zeros(可选) − 它计算在计算 Haralick 特征时是否应忽略(True)或考虑(False)输入矩阵中的零值。
preserve_haralick_bug(可选) − 它确定是否在方程式中复制 Haralick 的拼写错误
compute_14th_feature(可选) − 它指示是否计算第 14 个 Haralick 特征(不相似性)。默认情况下，它设置为 False。
use_x_minus_y_variance(可选) −默认情况下，mahotas 使用 VAR[P(|x−y|)]，但如果此参数为 True，则使用 VAR[|x−y|]。
distance(可选) − 它表示计算 GLCM 时使用的像素距离。它确定分析像素之间的空间关系时考虑的邻域大小。默认情况下，它设置为 1。
return_mean − 设置为 True 时，该函数返回所有方向的平均值。
return_mean_ptp −当设置为 True 时，该函数将返回所有方向上的平均值和点到点 (ptp) 值(max() 和 min() 之间的差值)。
示例
以下是计算 mahotas 中的 haralic 特征的基本示例 −
import mahotas
import numpy as np
import matplotlib.pyplot as mtplt
# 加载灰度图像
image = mahotas.imread('nature.jpeg', as_grey=True).astype(np.uint8)
# 计算 Haralick 纹理特征
features = mahotas.features.haralick(image)
print(features)
# 显示原始图像
fig, axis = mtplt.subplots(1, 2, figsize=(9, 4))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')
# 显示 haralick 特色图像
axes[1].imshow(features, cmap='gray')
axes[1].set_title('Haralick Feature')
axes[1].axis('off')
mtplt.show()
输出
执行上述代码后，我们得到如下所示的输出 −
[[ 2.77611344e-03 2.12394600e+02 9.75234595e-01 4.28813094e+03 4.35886838e-01 2.69140151e+02 1.69401291e+04 8.31764345e+00 1.14305862e+01 6.40277627e-04 4.00793348e+00 -4.61407168e-01 9.99473205e-01] [ 1.61617121e-03 3.54272691e+02 9.58677001e-01 4.28662846e+03 3.50998369e-01 2.69132899e+02 1.67922411e+04 8.38274113e+00 1.20062562e+01 4.34549344e-04 4.47398649e+00 -3.83903098e-01 9.98332575e-01] [ 1.92630414e-03 2.30755916e+02 9.73079650e-01 4.28590105e+03 3.83777866e-01 2.69170823e+02 1.69128483e+04 8.37735303e+00 1.17467122e+01 5.06580792e-04 4.20197981e+00 -4.18866103e-01 9.99008620e-01] [ 1.61214638e-03 3.78211585e+02 9.55884630e-01 4.28661922e+03 3.49497239e-01 2.69133049e+02 1.67682653e+04 8.38060403e+00 1.20309899e+01 4.30756183e-04 4.49912123e+00 -3.80573424e-01 9.98247930e-01]]
显示的图像如下图所示 −
忽略零的 Haralick 特征
在某些图像分析场景中，需要在计算 Haralick 纹理特征时忽略特定的像素值。
一种常见的情况是零值代表应从分析中排除的特定背景或噪声。
在 Mahotas 中，我们可以通过将 ignore_zeros 参数设置为 True
来忽略零值。这将忽略零值。
示例
在这里，我们尝试通过忽略图像的零值 − 来计算图像的 haralicks 特征
import mahotas
import numpy as np
import matplotlib.pyplot as mtplt
# 加载灰度图像
image = mahotas.imread('sun.png', as_grey=True).astype(np.uint8)
# 忽略零计算 Haralick 纹理特征像素
g = ignore_zeros=True
features = mahotas.features.haralick(image,g)
print(features)
# 显示原始图像
fig, axis = mtplt.subplots(1, 2, figsize=(9, 4))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')
# 显示 haralick 特色图像
axes[1].imshow(features, cmap='gray')
axes[1].set_title('Haralick Feature')
axes[1].axis('off')
mtplt.show()
输出
以下是上述代码的输出 −
[[ 2.67939014e-03 5.27444410e+01 9.94759846e-01 5.03271870e+03 5.82786178e-01 2.18400839e+02 2.00781303e+04 8.26680366e+00 1.06263358e+01 1.01107651e-03 2.91875064e+00 -5.66759616e-01 9.99888025e-01] [ 2.00109668e-03 1.00750583e+02 9.89991374e-01 5.03318740e+03 4.90503673e-01 2.18387049e+02 2.00319990e+04 8.32862989e+00 1.12183182e+01 7.15118996e-04 3.43564495e+00 -4.86983515e-01 9.99634586e-01] [ 2.29690324e-03 6.34944689e+01 9.93691944e-01 5.03280779e+03 5.33850851e-01 2.18354256e+02 2.00677367e+04 8.30278737e+00 1.09228656e+01 8.42614942e-04 3.16166477e+00 -5.26842246e-01 9.99797686e-01] [ 2.00666032e-03 1.07074413e+02 9.89363195e-01 5.03320370e+03 4.91882840e-01 2.18386605e+02 2.00257404e+04 8.32829316e+00 1.12259184e+01 7.18459598e-04 3.44609033e+00 -4.85960134e-01 9.99629000e-01]]
得到的图像如下 −
使用第 14 个特征计算 Haralick 特征
第 14 个特征，方差平方和，计算为 GLCM 元素的方差，乘以它们距离的平方。它提供有关纹理平滑度的信息。
高值表示像素对在强度和距离方面的分布更加多样化，表示纹理粗糙。而较低的值表示更均匀或更平滑的纹理。
在 Mahotas 中，我们可以通过将 compute_14th_feature 参数设置为 True 来计算 Haralicks 第 14 个特征。
示例
现在，我们正在计算图像的第 14 个 haralick 特征 −
import mahotas
import numpy as np
import matplotlib.pyplot as mtplt
# 加载灰度图像
image = mahotas.imread('tree.tiff', as_grey=True).astype(np.uint8)
# 计算 Haralick 纹理特征并包含第 14 个特征
features = mahotas.features.haralick(image, compute_14th_feature=True)
print(features)
# 显示原始图像
fig, axis = mtplt.subplots(1, 2, figsize=(9, 4))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')
# 显示 haralick 特色图像
axes[1].imshow(features, cmap='gray')
axes[1].set_title('Haralick Feature')
axes[1].axis('off')
mtplt.show()
输出
生成的输出如下所示 −
[[ 9.21802518e-04 9.60973236e+02 9.37166491e-01 7.64698044e+03 2.80301553e-01 2.25538844e+02 2.96269485e+04 8.67755638e+00 1.32391345e+01 2.45576289e-04 5.30868095e+00 -2.86604804e-01 9.94019510e-01 6.66066209e+00] [ 7.16875904e-04 1.64001329e+03 8.92817748e-01 7.65058234e+03 2.39157134e-01 2.25628036e+02 2.89623161e+04 8.72580856e+00 1.36201726e+01 1.80965000e-04 5.70631449e+00 -2.37235244e-01 9.87128410e-01 6.52870916e+00] [ 8.28978095e-04 9.93880455e+02 9.35041963e-01 7.65017308e+03 2.64905787e-01 2.25647417e+02 2.96068119e+04 8.69690646e+00 1.33344285e+01 2.21103895e-04 5.38241896e+00 -2.74238405e-01 9.92754897e-01 7.00379254e+00] [ 7.11697171e-04 1.51531034e+03 9.00967635e-01 7.65058141e+03 2.38821560e-01 2.25628110e+02 2.90870153e+04 8.72404507e+00 1.35861240e+01 1.82002747e-04 5.66026317e+00 -2.41641969e-01 9.87980919e-01 6.65491250e+00]]
我们得到如下图像 −
