Skip to main content
 首页 » 编程设计

python之用于 GLCM 计算和窗口大小的 Mahotas 库

2025年02月15日8duanxz

我正在使用 mahotas 库对卫星图像(250 x 200 像素)进行纹理分析 (GLCM)。 GLCM 计算是在一个窗口大小内进行的。因此,对于滑动窗口的两个相邻位置,我们需要从头开始计算两个共生矩阵。我读过我也可以设置步长以避免在重叠区域计算 GLCM。我提供了以下代码。

#Compute haralick features 
def haralick_feature(image): 
    haralick = mahotas.features.haralick(image, True) 
    return haralick 
 
 
img = 'SAR_image.tif' 
win_s=32 #window size 
step=32 #step size 
 
rows = img.shape[0] 
cols = img.shape[1] 
array = np.zeros((rows,cols), dtype= object) 
harList = [] 
 
for i in range(0, rows-win_s-1, step): 
        print 'Row number: ', r 
    for j in range(0, cols-win_s-1, step): 
        harList.append(haralick_feature(image)) 
 
harImages = np.array(harList)      
harImages_mean = harImages.mean(axis=1) 

对于上面的代码,我将窗口和步长设置为 32。当代码完成时,我得到一个尺寸为 6 x 8(而不是 250 x 200)的图像,这是有意义的,因为步长已经设置为 32。

所以,我的问题是:通过设置步长(以避免在重叠区域进行计算以及代码变得更快),我能否以某种方式导出尺寸为 250 x 200 的整个图像的 GLCM 结果,而不是使用子集它的(6 x 8 维)?或者我别无选择,只能以正常方式(不设置步长)遍历图像?

请您参考如下方法:

您不能使用 mahotas 来做到这一点因为计算 co-occurrence map 的函数在该库中不可用。从 GLCM 中提取纹理特征的另一种方法是利用 skimage.feature.graycoprops (查看 this thread 了解详情)。

但是如果你想坚持使用 mahotas,你应该尝试使用 skimage.util.view_as_windows而不是滑动窗口,因为它可以加快整个图像的扫描速度。请务必阅读文档末尾关于内存 使用的警告。如果使用 view_as_windows 对您来说是一种负担得起的方法,则以下代码可以完成工作:

import numpy as np 
from skimage import io, util 
import mahotas.features.texture as mht 
 
def haralick_features(img, win, d): 
    win_sz = 2*win + 1 
    window_shape = (win_sz, win_sz) 
    arr = np.pad(img, win, mode='reflect') 
    windows = util.view_as_windows(arr, window_shape) 
    Nd = len(d) 
    feats = np.zeros(shape=windows.shape[:2] + (Nd, 4, 13), dtype=np.float64) 
    for m in xrange(windows.shape[0]): 
        for n in xrange(windows.shape[1]): 
            for i, di in enumerate(d): 
                w = windows[m, n, :, :] 
                feats[m, n, i, :, :] = mht.haralick(w, distance=di) 
    return feats.reshape(feats.shape[:2] + (-1,)) 

演示

对于下面的示例运行,我将 win 设置为 19,它对应于形状为 (39, 39) 的窗口。我考虑了两种不同的距离。请注意,mht.haralick 为四个方向生成了 13 个 GLCM 特征。总而言之,这会为每个像素产生一个 104 维的特征向量。当应用于来自 Landsat 图像的 (250, 200) 像素裁剪时,特征提取在大约 7 分钟内完成。

In [171]: img = io.imread('landsat_crop.tif') 
 
In [172]: img.shape 
Out[172]: (250L, 200L) 
 
In [173]: win = 19 
 
In [174]: d = (1, 2) 
 
In [175]: %time feature_map = haralick_features(img, win, d) 
Wall time: 7min 4s 
 
In [176]: feature_map.shape 
Out[176]: (250L, 200L, 104L) 
 
In [177]: feature_map[0, 0, :] 
Out[177]:  
array([  8.19278030e-03,   1.30863698e+01,   7.64234582e-01, ..., 
         3.59561817e+00,  -1.35383606e-01,   8.32570045e-01]) 
 
In [178]: io.imshow(img) 
Out[178]: <matplotlib.image.AxesImage at 0xc5a9b38>