我正在尝试使用以下步骤从图像中提取特征向量：
直到现在我已经完成了第一步和第二步，直到我对第三步感到困惑。根据前两步中的“数字图像隐写分析的丰富模型”一文，图像变为： R（i，j）<-截断_T（round（R（i，j）/ q））其中，q是量化步长，T是截断电平，R是高通滤波器之后的残差矩阵。
这时，我们必须计算具有（2 * T + 1）^ O个元素的共现矩阵，其中O是矩阵的阶次（维）选择为4。因此，本文告诉我们，现在共现矩阵中的2 * T + 1）^ O =（2 * 2 + 1）^ 4 = 625个元素。但是我们如何使用python中skimage.feature的greycomatrix函数获得矩阵中元素的数量和尺寸。
这是本文分析上述过程的部分：
“对于固定尺寸，通常通过使用较低的T值并包括其他类型的残差来增加可获得更好的结果 模型多样性。补偿信息丢失 由于将所有大于T的残差值截断，因此 每个残差类型我们考虑几个子模型 q的不同值，因此我们的模型可以“看到” 值位于的剩余样本之间的依赖性 超出阈值。
总而言之，我们的子模型将根据 使用（2）在T = 2的情况下处理的四个连续残差样本的水平和垂直同时出现。 每个共现矩阵C是一个四维数组 用d =（d1，d2，d3，d4）e {−T，。 。 。 ，T} ^ 4， 这给出了数组（2T +1）^ 4 = 625个元素。 dth 残差R =的水平同时出现的元素 （Rij）正式定义为 具有值的四个相邻残差样本的组 等于d1，d2，d3，d4”