Question

我昨天看过this篇论文。在本文中，这些特征取为对比度，局部均匀性和能量，它们都是单个值（据我所知），但根据到skimage功能greycomatrix，传递给它们的参数是distances和angles（可以是多个）。

这是我的代码：

import numpy as np
import cv2
from skimage.feature import greycomatrix, greycoprops
from skimage import io, color, img_as_ubyte

img = cv2.imread('Grape___Black_rot28.JPG')
gray_image = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)    

distances = [1, 2, 3]
angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]
glcm = greycomatrix(gray_image, 
                    distances=distances, 
                    angles=angles,
                    symmetric=True,
                    normed=True)

properties = ['contrast', 'energy', 'homogeneity', 'correlation', 'dissimilarity']
contrast = greycoprops(glcm, properties[0])
energy = greycoprops(glcm, properties[1])
homogeneity = greycoprops(glcm, properties[2])
correlation = greycoprops(glcm, properties[3])
dissimilarity = greycoprops(glcm, properties[4])

让我感到困惑的是，如果我生成对比度属性的glcm，它将具有3x4的大小，但是根据纸张，它是单个值，即使我将所有属性的所有3x4值都视为一个特征，我敢打赌对于svm模型将存在过度拟合的问题。

Answer 1

摘自graycoproprops文档：

返回结果：2-D ndarray

二维数组。结果[d，a]是第d个属性“ prop”
  距离和a′角。

您的代码会为每个距离角度组合产生一个特征值：

In [5]: len(distances)
Out[5]: 3

In [6]: len(angles)
Out[6]: 4

In [7]: contrast.shape
Out[7]: (3, 4)

实现旋转不变性的一种常见做法是沿angles轴平均特征值。这样，您将获得与距离一样多的要素值：

In [11]: contrast = greycoprops(glcm, properties[0]).mean(axis=1)

In [12]: contrast.shape
Out[12]: (3,)

从GLCM中提取Haralick功能。为什么每个功能都有多个值？

1 个答案: