从图像的 GLCM 计算熵

Question

我使用skimage 库进行大部分图像分析工作。

我有一个 RGB 图像，我打算从图像中提取 texture 特征，如 entropy、energy、homogeneity 和 contrast。

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？

如果不是，从图像中提取所有纹理特征的正确方法是什么？

备注：我已经提到过：

Entropy - skimage

GLCM - Texture features

Answer 1

从灰度图像（直接）计算的熵是否与从 GLCM 提取的熵特征（纹理特征）相同？

不，这两个熵相当不同：

1. skimage.filters.rank.entropy(grayImg, disk(5)) 产生一个与 grayImg 大小相同的数组，其中包含在圆盘上计算的图像的局部熵，圆盘的中心位于相应的像素，半径为 5 个像素。查看Entropy (information theory) 了解如何计算熵。该数组中的值对分割很有用（关注this link 以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，您可以使用skimage.measure.shannon_entropy(grayImg)。此函数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， 是对数函数的底。当 设置为 2 时，返回值以 bits 为单位。
2. 灰度共生矩阵 (GLCM) 是图像上给定偏移量处共生灰度值的直方图。为了描述图像的纹理，通常从针对不同偏移量计算的几个共现矩阵中提取特征，例如熵、能量、对比度、相关性等。在这种情况下，熵定义如下：
   
   其中 和 再次分别是灰度级数和对数函数的基数， 代表由指定偏移量分隔的两个像素具有强度 和 的概率.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，您需要将 GLCM 传递给 skimage.measure.shannon_entropy。

^*在本文最后一次编辑时，scikit-image 的最新版本是 0.13.1。

如果不是，从图像中提取所有纹理特征的正确方法是什么？

描述图像纹理的特征有很多种，例如局部二值模式、Gabor 滤波器、小波、Laws 掩码等。 Haralick 的GLCM 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是计算不同偏移量的 GLCM（每个偏移量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 像素）、四个角度（0、45、90 和 135 度）和两个属性（能量和同质性）。这导致 偏移量（因此有 12 个 GLCM）和维度为 的特征向量。代码如下：

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])

使用此图像获得的结果：

:

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()