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，我打算从图像中提取texture，entropy，energy和homogeneity等contrast个功能。

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？

注意：我已经提到过：

Entropy - skimage

GLCM - Texture features

Answer 1

灰度图像中的计算熵（直接）是否与从GLCM中提取的熵特征（纹理特征）相同？

不，这两个熵相当不同：

skimage.filters.rank.entropy(grayImg, disk(5))生成一个与grayImg大小相同的数组，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。查看Entropy (information theory)以了解如何计算熵。此数组中的值对于分段很有用（按照this link查看基于熵的对象检测的示例）。如果您的目标是通过单个（标量）值描述图像的熵，则可以使用skimage.measure.shannon_entropy(grayImg)。此功能基本上将以下公式应用于完整图像：

其中是灰度级数（8位图像为256），是像素具有灰度级的概率，是基数对数函数。当设置为2时，返回的值将以位。
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：

其中和分别是灰度级的数量和对数函数的基数，而代表两个像素由具有强度的指定偏移量分开的概率{ {3}}和。不幸的是，熵不是您可以通过scikit-image ^*计算的GLCM的属性之一。如果您希望计算此功能，则需要将GLCM传递给。

^*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？

描述图像纹理的功能有很多种，例如局部二进制图案，Gabor滤波器，小波，Laws＆＃39;面具和许多其他人。 Haralick的skimage.measure.shannon_entropy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包括计算不同偏移的GLCM（每个偏移通过距离和角度定义），并从每个GLCM中提取不同的属性。

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GLCM偏移（因此12 GLCM＆＃）和尺寸的特征向量。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])

使用此图片获得的结果：

：

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]

Answer 2

from skimage.feature import greycomatrix, greycoprops

    dis = (greycoprops(glcm, 'dissimilarity'))
    plt.hist(dis.ravel(), normed=True, bins=256, range=(0, 30),facecolor='0.5');plt.show()

从图像的GLCM计算熵

2 个答案: