5. GLCM ExtractionA statistical met

5. GLCM Extraction
A statistical method of examining texture that considers the
spatial relationship of pixels is the gray-level co-occurrence
matrix (GLCM), also known as the gray-level spatial
dependence matrix. The GLCM functions characterize the
texture of an image by calculating how often pairs of pixel
with specific values and in a specified spatial relationship
occur in an image, creating a GLCM, and then extracting
statistical measures from this matrix. The number of gray
levels in the image determines the size of the GLCM. The
gray-level co-occurrence matrix can reveal certain properties
about the spatial distribution of the gray levels in the texture
image. For example, if most of the entries in the GLCM are
concentrated along the diagonal, the texture is coarse with
respect to the specified offset.
To create a GLCM, use the graycomatrix function. The
graycomatrix function creates a gray-level co-occurrence
matrix (GLCM) by calculating how often a pixel with the
intensity (gray-level) value i occurs in a specific spatial
relationship to a pixel with the value j. By default, the spatial
relationship is defined as the pixel of interest and the pixel to
its immediate right (horizontally adjacent.
After you create the GLCMs, image contrast, energy,
coorelation and homogeneity can be computed as:
Contrast  Measures the local variations in the graylevel
co-occurrence matrix. Contrast is 0
for a constant image.
Correlation  Measures the joint probability occurrence
of the specified pixel pairs. Correlation

ผลลัพธ์ (ไทย) 1:

5. GLCM สกัดวิธีการตรวจสอบพื้นผิวที่พิจารณาทางสถิติปริภูมิความสัมพันธ์ของพิกเซลเป็นการเกิดร่วมของระดับสีเทาเมตริกซ์ (GLCM), หรือที่เรียกว่าสีเทาระดับพื้นที่เมตริกซ์พึ่งพา ลักษณะของฟังก์ชัน GLCMพื้นผิวของภาพโดยคำนวณจับคู่ถี่ของพิกเซลมีค่าเฉพาะ และความสัมพันธ์ของพื้นที่ระบุเกิดขึ้นในรูป สร้างแบบ GLCM และแยกแล้วมาตรการทางสถิติจากเมทริกซ์นี้ จำนวนสีเทาในรูปการกำหนดขนาดของ GLCM ที่เมตริกซ์การเกิดร่วมของระดับสีเทาสามารถแสดงคุณสมบัติเฉพาะบางอย่างเกี่ยวกับการกระจายของระดับสีเทาในพื้นผิวรูปภาพของ ตัวอย่างเช่น ถ้ารายการใน GLCM มีเข้มข้นตามแนวทแยงมุม พื้นผิวจะหยาบด้วยเคารพออฟเซตที่ระบุสร้างเป็น GLCM ใช้ฟังก์ชัน graycomatrix ที่ฟังก์ชัน graycomatrix สร้างเหตุการณ์ร่วมเป็นระดับสีเทาเมตริกซ์ (GLCM) โดยคำนวณเซลมักจะมีวิธีการค่าความเข้ม (ระดับสีเทา) ฉันเกิดขึ้นในเฉพาะพื้นที่ความสัมพันธ์กับพิกเซลกับเจค่า โดยค่าเริ่มต้น ในพื้นที่ความสัมพันธ์ถูกกำหนดเป็นพิกเซลน่าสนใจและพิกเซลเพื่อขวาของทันที (ติดกันในแนวนอนหลังจากคุณสร้างการ GLCMs ความคมชัดของรูป พลังงานcoorelation และ homogeneity สามารถคำนวณเป็น:มาตรการความแตกต่างรูปแบบท้องถิ่นในการ graylevelเมตริกซ์เกิดร่วม ความคมชัดเป็น 0สำหรับรูปภาพคงความสัมพันธ์ประเมินเหตุการณ์ความน่าเป็นร่วมคู่พิกเซลที่ระบุ ความสัมพันธ์ของ

ผลลัพธ์ (ไทย) 3:

5 . การสกัด glcm
วิธีการทางสถิติของการตรวจสอบพื้นผิวที่พิจารณาความสัมพันธ์เชิงพื้นที่ของพิกเซลเป็น

เทาระดับการเมทริกซ์ ( glcm ) , ที่รู้จักกันเป็นระดับสีเทาเชิง
พึ่งเมทริกซ์ การ glcm ฟังก์ชันวิเคราะห์
เนื้อของภาพโดยการคำนวณวิธีการมักจะคู่ของพิกเซล
กับค่าเฉพาะและระบุความสัมพันธ์เชิงพื้นที่
เกิดขึ้นได้ในรูปการสร้าง glcm แล้วแยก
มาตรการทางสถิติจากเมทริกซ์นี้ จำนวนของระดับสีเทา
ในรูปเป็นตัวกำหนดขนาดของ glcm .
สีเทาระดับการเมทริกซ์สามารถเปิดเผยคุณสมบัติบางอย่างเกี่ยวกับการกระจายทางพื้นที่
ของระดับสีเทาในภาพเนื้อ

ตัวอย่างเช่น ถ้าส่วนใหญ่ของรายการใน glcm
เป็นกระจุกตามเส้นทแยงมุมเนื้อหยาบกับ
ส่วนการชดเชยที่ระบุ .
สร้าง glcm , ใช้ฟังก์ชัน graycomatrix .
graycomatrix สีเทาระดับการสร้างฟังก์ชัน
เมทริกซ์ ( glcm ) โดยการคำนวณบ่อยพิกเซลด้วย
( ระดับสีเทา ) ค่าความเข้มของผมเกิดขึ้นในความสัมพันธ์เชิงพื้นที่
เฉพาะพิกเซลที่มีค่า J . โดยค่าเริ่มต้น , ความสัมพันธ์เชิงพื้นที่
หมายถึงพิกเซลพิกเซล

สนใจ และด้านขวาทันที ( แนวนอนติดกัน
หลังจากที่คุณสร้าง glcms , ภาพคมชัด , พลังงาน , และสามารถคำนวณค่า
coorelation :
ความคมชัดวัดท้องถิ่น รูปแบบในการ graylevel
เมทริกซ์ ความคมชัดสำหรับภาพคงที่ 0
.
วัดความน่าจะเป็นร่วมเหตุการณ์
ที่ระบุคู่พิกเซล ) ความสัมพันธ์