带有 skimage 的图像纹理

Question

我正在尝试从使用 greycomatrix 创建的 GLCM 中获取 texture properties，来自 skimage.feature。我的输入数据是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 来实现。但我对这个太陌生了，无法掌握greycomatrix 和greycoprops。这是我尝试过的：

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，这给了我每个prop 的1 x 4 矩阵，我猜这是整个图像的每个角度的一个值，但这不是我想要的。我需要每个像素，例如每个像素的contrast，从其各自的环境计算。我错过了什么？

Answer 1

这个 sn-p 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 列和 4 个波段（点击here 下载）。在每个图像像素处，使用大小为 11 的正方形局部邻域来计算与每个波段的右侧像素和上方像素相对应的灰度矩阵。然后，计算这些矩阵的对比度、相异性和同质性。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对图像进行了填充。如果这种方法不符合您的需求，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 或 scikit-images 的 img_as_ubyte 将数据转换为 greycomatrix 所需的类型。