带有skimage的图像纹理

Image texture with skimage

我正在尝试从我使用来自 skimage.featuregreycomatrix 创建的 GLCM 中获取 texture properties。我的输入数据是一个具有多个波段的图像,我想要每个像素的纹理属性(生成尺寸为 cols x rows x (properties *bands) 的图像),因为它可以使用 ENVI 实现。但我对此太陌生了,无法掌握 greycomatrixgreycoprops。这是我试过的:

import numpy as np
from skimage import io
from skimage.feature import greycomatrix, greycoprops

array = io.imread('MYFILE.tif')
array = array.astype(np.int64)
props = ['contrast', 'dissimilarity', 'homogeneity', 'energy', 'correlation', 'ASM']
textures = np.zeros((array.shape[0], array.shape[1], array.shape[2] * len(props)), np.float32)
angles = [0, np.pi / 4, np.pi / 2, 3 * np.pi / 4]
bands = array.shape[2]
for b in range(bands):
    glcm = greycomatrix(array[:, :, b], [1], angles, np.nanmax(array) + 1,
                        symmetric=True, normed=True)
    for p, prop in enumerate(props):
        textures[:, :, b] = greycoprops(glcm, prop)

不幸的是,这为我提供了每个 prop1 x 4 矩阵,我猜这是整个图像的每个角度一个值,但这不是我想要的。我需要每个像素,例如每个像素的 contrast,根据其各自的周围环境计算。我错过了什么?

这段代码应该可以完成工作:

import numpy as np
from skimage import io, util
from skimage.feature.texture import greycomatrix, greycoprops

img = io.imread('fourbandimg.tif')

rows, cols, bands = img.shape

radius = 5
side = 2*radius + 1

distances = [1]
angles = [0, np.pi/2]
props = ['contrast', 'dissimilarity', 'homogeneity']
dim = len(distances)*len(angles)*len(props)*bands

padded = np.pad(img, radius, mode='reflect')
windows = [util.view_as_windows(padded[:, :, band].copy(), (side, side))
           for band in range(bands)]
feats = np.zeros(shape=(rows, cols, dim))

for row in range(rows):
    for col in range(cols):
        pixel_feats = []
        for band in range(bands):
            glcm = greycomatrix(windows[band][row, col, :, :],
                                distances=distances,
                                angles=angles)
            pixel_feats.extend([greycoprops(glcm, prop).ravel()
                                for prop in props])
        feats[row, col, :] = np.concatenate(pixel_feats)

示例图片有128行128列4波段(点击here下载)。在每个图像像素处,使用大小为 11 的正方形局部邻域计算对应于每个波段右侧像素和上方像素的灰度矩阵。然后,计算这些矩阵的 contrastdissimilarityhomogeneity。因此我们有 4 个波段、1 个距离、2 个角度和 3 个属性。因此对于每个像素,特征向量有 4 × 1 × 2 × 3 = 24 个分量。

请注意,为了保留行数和列数,已使用沿阵列边缘镜像的图像本身填充图像。如果这种方法不符合您的需要,您可以简单地忽略图像的外框。

作为最后的警告,代码可能需要一段时间才能 运行。

演示

In [193]: img.shape
Out[193]: (128, 128, 4)

In [194]: feats.shape
Out[194]: (128, 128, 24)

In [195]: feats[64, 64, :]
Out[195]: 
array([  1.51690000e+04,   9.50100000e+03,   1.02300000e+03,
         8.53000000e+02,   1.25203577e+01,   9.38930575e+00,
         2.54300000e+03,   1.47800000e+03,   3.89000000e+02,
         3.10000000e+02,   2.95064854e+01,   3.38267222e+01,
         2.18970000e+04,   1.71690000e+04,   1.21900000e+03,
         1.06700000e+03,   1.09729371e+01,   1.11741654e+01,
         2.54300000e+03,   1.47800000e+03,   3.89000000e+02,
         3.10000000e+02,   2.95064854e+01,   3.38267222e+01])

In [196]: io.imshow(img)
Out[196]: <matplotlib.image.AxesImage at 0x2a74bc728d0>

编辑

您可以通过 NumPy 的 uint8 or scikit-images's img_as_ubyte.

将您的数据转换为 greycomatrix 所需的类型