如何计算只有一些像素的灰度共生矩阵？

Question

我想计算skimage.feature.texture.greycomatrix()。现在，我尝试了以下参数：

skimage.feature.texture.greycomatrix(image, [1], [0], levels=256, symmetric=False, normed=False)

但是，我想做的是只用一些像素来计算这个矩阵。

我有这个面具：

而且，我有这张图片：

而且，我只想计算白色蒙版和图片之间的交叉像素。我不想计算带有黑色像素或其他剩余元素的蒙版，只计算与蒙版的白色区域相交的图像像素，如下所示：

我该怎么做？

Answer 1

仅使用skimage.measure.greycomatrix，我认为您无法实现，因为没有mask 参数或类似参数。所以，我想，你需要在这里自己构建一些东西。

我的想法是将所有不需要的像素设置为-1，获得与(x, y) 偏移相关的所需对应关系，过滤掉所有包含至少一个-1 条目的像素，并计算所有剩余像素的出现次数信件。这样，您将忽略所有包含掩码外像素的对应关系。

举一个简单的例子（参见skimage.measure.greycomatrix中的first example）：

import numpy as np

# https://scikit-image.org/docs/dev/api/skimage.feature.html#greycomatrix
image = np.array([[0, 0, 1, 1],
                  [0, 0, 1, 1],
                  [0, 2, 2, 2],
                  [2, 2, 3, 3]], dtype=np.uint8)
h, w = image.shape

# Set offset and levels (assuming range [0 ... max] here)
x_off, y_off = (1, 0)
levels = np.max(image) + 1

# Temporary matrix
temp = -np.ones((h+y_off, w+x_off), int)
temp[:h, :w] = image
temp = temp[y_off:, x_off:]

# Get correspondences
temp = np.vstack([image.flatten(), temp.flatten()]).T

# Filter correspondences with at least one entry -1, and count correspondences
temp = temp[~np.any(temp == -1, axis=1), :]
temp = np.unique(temp, axis=0, return_counts=True)

# Create GLCM
glcm = np.zeros((levels, levels), int)
glcm[temp[0][:, 0], temp[0][:, 1]] = temp[1]
print(glcm)
# [[2 2 1 0]
#  [0 2 0 0]
#  [0 0 3 1]
#  [0 0 0 1]]

这与skimage.measure.greycomatrix的结果一致。

对于您的实际图像和蒙版，这将是完整代码（抱歉在这里使用 OpenCV；对我来说，原型制作速度更快）：

import cv2
import matplotlib.pyplot as plt
import numpy as np

# Read image and mask
image = cv2.imread('us.png', cv2.IMREAD_GRAYSCALE)[:857, :1211]
mask = cv2.imread('mask.png', cv2.IMREAD_GRAYSCALE)[:857, :1211]

# Get bounding rectangle, crop image and mask
x, y, w, h = cv2.boundingRect(mask)
image = image[y:y+h, x:x+w]
mask = mask[y:y+h, x:x+w]

# DEBUG: Count non-zero pixels of mask
print('# non-zero pixels mask:', cv2.countNonZero(mask))

# Set all non-masked pixels in image to -1
image = image.astype(int)
image[~mask.astype(bool)] = -1
h, w = image.shape

# Set offset and levels (assuming range [0 ... max] here)
x_off, y_off = (1, 0)
levels = np.max(image) + 1

# Temporary matrix
temp = -np.ones((h+y_off, w+x_off), int)
temp[:h, :w] = image
temp = temp[y_off:, x_off:]

# Get correspondences
temp = np.vstack([image.flatten(), temp.flatten()]).T

# Filter correspondences with at least one entry -1, and count correspondences
temp = temp[~np.any(temp == -1, axis=1), :]
temp = np.unique(temp, axis=0, return_counts=True)

# Create GLCM
glcm = np.zeros((levels, levels), int)
glcm[temp[0][:, 0], temp[0][:, 1]] = temp[1]

# DEBUG: Count number of correspondences found in GLCM
print('# correspondences found in GLCM:', np.sum(glcm))

# Some visualization
plt.figure(1, figsize=(8, 8))
plt.imshow(glcm, cmap='hot'), plt.colorbar()
plt.tight_layout(), plt.show()

GLCM 对print 来说太大了，所以情节：

让我们看看额外的DEBUG 输出：

# non-zero pixels mask: 18636
# correspondences found in GLCM: 18259

您的蒙版中有 18,636 个非零像素，但 GLCM 中只计算了 18,259 个对应关系。这些像素我没有算过忽略的，但是对于(1, 0)的偏移量，400的差异似乎是合理的。

----------------------------------------
System information
----------------------------------------
Platform:      Windows-10-10.0.16299-SP0
Python:        3.9.1
PyCharm:       2021.1.1
Matplotlib:    3.4.1
NumPy:         1.20.2
OpenCV:        4.5.1
----------------------------------------