آموزش استخراج ویژگی از تصاویر با متلب به کمک روش GLCM

آموزش استخراج ویژگی به کمک روش GLCM  در این جا به بررسی GLCM می پردازیم.

انواع ویژگی ها

در حالت کلی ویژگی هایی که وجود دارند به 3 دسته بندی تقسیم می شوند.

1- ویژگی های درجه یک

2- ویژگی های درجه 2

3- ویژگی های درجه 3 و بالاتر.

ویژگی های درجه یک:

به ویژگی هایی که از مقادیر تصویر اصلی محاسبه می شود ویژگی های درجه یک می گویند. مثل میانگین – واریانس.

ویژگی های درجه 2:

ویژگی هایی هستند که از رابطه بین گروه های دوتایی از پیکسل های تصویر استفاده می شود.

ویژگی های درجه 3:

ویژگی هایی که از رابطه بین 3 یا تعداد بیشتری از پیکسل های تصویر قابل محاسبه هستند. این ویژگی ها به دلیل اینکه پیچیدگی دارند و زمان محاسبه بالایی دارند مورد استفاده قرار نمی گیرند.

در ماتریس پیش آمد سطح خاکستری (GLCM) از ویژگی های درجه دوم استفاده می شود.

نحوه کار GLCM

 فرض کنیم مقدارهای پیکسل های درون یک تصویر بین 1 تا 10 باشد برای تشکیل ماتریس GLCM ابتدا یک ماتریس 10 × 10 ایجاد می کنیم. آنگاه در ردیف اول آن تعداد همجواری های بین 1 و 1 را مشخص می کنیم. دقت شود بررسی همجواری به دو پارامتر زاویه ] 0 یا 45 یا 90 یا 135[ و فاصله پیکسل ها بستگی دارد.

بعد از اینکه ماتریس بدست آمد، ویژگی های درجه یک از آن بدست می آید. این ویژگی ها عبارتند از:

1- انرژی

2- آنتروپی

3- عدم تجانس

4- کنتراست

5- معکوس تفاضل

6- همبستگی

7- خود همبستگی

8- مجموع مربعات

9- همگن بودن

10- اختلاف جزئی

11- برتری خوشه

12- احتمال بیشینه

  13- میانگین مجموع

14 واریانس مجموع

15- آنتروپی مجموع

این ویژگی ها بدون استفاده از GLCM می توانند روی تصویر اعمال شوند اما استفاده از روش GLCM منجر به بهتر شدن نتایج می شود. در ادامه به استخراج ویژگی به روش GLCM در متلب می پردازیم.

استفاده از GLCM در متلب

برای استفاده از GLCM در متلب باید دستورات زیر استفاده شود.

1- دستور graycomatrix: از این دستور برای محاسبه ماتریس GLCM استفاده می شود. نحوه استفاده از این دستور به صورت زیر است.

GLCM=graycomatrix (iml; 'offset';[2 0]);

2- دستورs graycoprap: این دستور برای استخراج ویژگی ها می باشد. این ویژگی ها از ماتریس GLCM استخراج می شود.

علاوه بر ویژگی های بالا از ویژگی میانگین نیز روی تصویر استفاده می شود.

 G(1)=mean(mean(im1))

استخراج ویژگی های GLRML

 در این حالت از دو تابع استفاده می شود. این ها عبارتند از:

 grayrlmatrix   

  grayrlprps  

GLRML= gray level run length matrix