Question

来源：https://www.petfinder.com/cats/cat-grooming/

我试图在Python中获得与MATLAB中的函数graycomatrix和graycoprops完全相同的结果。但结果不同，我无法编写将重复MATLAB结果的代码。

我需要GLCM功能，如对比度，相关性，能量和同质性。

非常感谢任何建议。

MATLAB中的示例代码：

% GLCM feature extraction

offset_GLCM = [0 1; -1 1; -1 0; -1 -1];
offset = [1*offset_GLCM ; 2*offset_GLCM; 3*offset_GLCM];

img = rgb2gray(imread('cat.jpg'));
Grauwertmatrix = graycomatrix(img,'NumLevels', 12, 'GrayLimits', [], 'Offset',offset);
GrauwertStats = graycoprops(Grauwertmatrix);
GLCMFeatureVector = [mean(GrauwertStats.Contrast) mean(GrauwertStats.Correlation) mean(GrauwertStats.Energy) mean(GrauwertStats.Homogeneity)];

disp(GLCMFeatureVector);

并且上面的代码返回：

1.6212    0.8862    0.0607    0.7546

现在我希望在Python中收到完全相同的结果。我使用Python代码：

# GLCM feature extraction

import numpy as np
from skimage import feature, io
from sklearn import preprocessing

img = io.imread("cat.jpg", as_grey=True)

S = preprocessing.MinMaxScaler((0,11)).fit_transform(img).astype(int)
Grauwertmatrix = feature.greycomatrix(S, [1,2,3], [0, np.pi/4, np.pi/2, 3*np.pi/4], levels=12, symmetric=False, normed=True)

ContrastStats = feature.greycoprops(Grauwertmatrix, 'contrast')
CorrelationtStats = feature.greycoprops(Grauwertmatrix, 'correlation')
HomogeneityStats = feature.greycoprops(Grauwertmatrix, 'homogeneity')
ASMStats = feature.greycoprops(Grauwertmatrix, 'ASM')

print([np.mean(ContrastStats), np.mean(CorrelationtStats),\
np.mean(ASMStats), np.mean(HomogeneityStats)])

但我得到了结果：

[1.7607, 0.8844, 0.0429, 0.7085]

另一个例子。原始图像的结果不同。原因是MATLAB默认处理图像而Python不处理。如何在Python中获得与MATLAB相同的结果？：

MATLAB：

>> img = rgb2gray(imread('cat.png'));
>> [Grauwertmatrix, S] = graycomatrix(img,'NumLevels',12,'GrayLimits',[0,12],'Offset',[0,1]);
>> Grauwertmatrix(1:5,1:5)

ans =

     4     7     4     8     0
     9    33    22    13    10
     5    18    16    10    10
     2    16    11    22    13
     4    12    11    14    14

的Python：

>>> from skimage import io, feature
>>> img = io.imread("cat.png", as_grey=True)
>>> Grauwertmatrix = feature.greycomatrix(img, distances=[1], angles=[0], levels=12, symmetric=False, normed=False)
>>> Grauwertmatrix[0:5, 0:5, 0, 0]
array([[299720,      2,      0,      0,      0],
       [     2,      1,      0,      0,      0],
       [     0,      0,      0,      0,      0],
       [     0,      0,      0,      0,      0],
       [     0,      0,      0,      0,      0]], dtype=uint32)

Answer 1

使用Matlab和Python计算的GLCM特性是不同的，因为使用Matlab代码预处理原始图像（即转换为灰度，缩放和重新量化）的结果与Python代码产生的结果不同（即数组{{1 }}）。以下片段表明：

Matlab的

的Python

>> offset_GLCM = [0 1; -1 1; -1 0; -1 -1];
>> offset = [1*offset_GLCM ; 2*offset_GLCM; 3*offset_GLCM];
>> img = rgb2gray(imread('cat.png'));
>> [Grauwertmatrix, S] = graycomatrix(img,'NumLevels', 12, 'GrayLimits', [], 'Offset',offset);

>> S(100:105, 100:105)

ans =

     4     5     7     8     8     6
     5     5     6     7     8     7
     4     4     4     6     7     7
     4     4     5     6     8     8
     5     6     6     7     8     8
     4     5     6     6     7     8

作为最后评论，我建议您使用无损图像格式（如BMP或PNG）以避免因JPG解压缩而导致的潜在差异。

替代方法

为了通过Matlab和Python获得相同的结果，您应该在两种情况下使用相同的预处理图像。例如，可以生成这样的图像：

In [36]: from skimage import io

In [37]: from sklearn import preprocessing

In [38]: img = io.imread("cat.png", as_grey=True)

In [39]: S = preprocessing.MinMaxScaler((0,11)).fit_transform(img).astype(int)

In [40]: S[99:105, 99:105]
Out[40]: 
array([[2, 4, 6, 7, 5, 5],
       [2, 3, 4, 5, 6, 5],
       [2, 1, 1, 3, 5, 6],
       [2, 2, 2, 4, 6, 7],
       [3, 4, 4, 5, 6, 7],
       [2, 3, 4, 4, 5, 7]])

请注意，resulting image的对比度非常低，因为强度值范围为0到11。

为了让Matlab的from skimage import io from sklearn import preprocessing img = io.imread("cat.png", as_grey=True) S = preprocessing.MinMaxScaler((0,11)).fit_transform(img).astype(int) io.imsave('cat_preprocessed.png', S)正确缩放此图片，您需要传递graycomatrix和'NumLevels',12（而不是'GrayLimits',[0,12]）：

[0,11]

Python返回相同的结果：

>> img = imread('cat_preprocessed.png');
>> [Grauwertmatrix, S] = graycomatrix(img,'NumLevels',12,'GrayLimits',[0,12],'Offset',[0,1]);
>> Grauwertmatrix(1:5,1:5)

ans =

       21258        3250         452         186          91
        3208       20119        5268         827         267
         532        5242       40541        8508        1203
         208         848        8616       26436        6324
         102         285        1192        6216       14101

>> graycoprops(Grauwertmatrix,{'contrast'})

ans = 

    Contrast: 0.9681

修改

在回复您的评论时，我不认为通过Matlab和Python从原始RGB图像获得相同的结果是可能的，因为转换为灰度的方式不同。这在文档中明确说明：

Matlab＆＃39; rgb2gray：

In [86]: from skimage import io, feature In [87]: img = io.imread("cat_preprocessed.png") In [88]: Grauwertmatrix = feature.greycomatrix(img, distances=[1], angles=[0], levels=12, symmetric=False, normed=False) In [89]: Grauwertmatrix[0:5, 0:5, 0, 0] Out[89]: array([[21258, 3250, 452, 186, 91], [ 3208, 20119, 5268, 827, 267], [ 532, 5242, 40541, 8508, 1203], [ 208, 848, 8616, 26436, 6324], [ 102, 285, 1192, 6216, 14101]], dtype=uint32) In [90]: feature.greycoprops(Grauwertmatrix, 'contrast') Out[90]: array([[ 0.96812745]])通过形成 R ， G 和 B 组件的加权和，将RGB值转换为灰度值：
rgb2gray

scikit-image＆＃39; s rgb2gray：

此转换中使用的重量是针对当代CRT荧光粉校准的：
    0.2989 * R + 0.5870 * G + 0.1140 * B

Python实现MATLAB的graycomatrix和graycoprops

1 个答案:

Matlab的

的Python

替代方法

修改