基于灰度共生矩阵的图像纹理分析系统设计(2)
2．图像及其纹理特征提取分析
2.1图像格式的选择
在本次设计对图像处理中，许多算法就是针对24位真彩色位图或灰度位图设计的。
2.2 24位真彩色图像存储格式
24位真彩色的十优尔进制数据包括位图文件头、位图信息头和位图阵列。
(1)位图文件头
位图文件头（bitmap-file header）用来记录标志文件大小的一些信息，包含了图像类型、图像大小、图像数据存放地址和两个保留未使用的字段。
(2)位图信息头
位图信息头（bitmap-information header）包含了位图信息头的大小、图像的宽高、图像的色深、压缩说明图像数据的大小和其他一些参数。
(3)位图阵列位图阵列（即像素组成部分），每个像素点由3个字节的数据组成，按照从左到右的顺序，分别表示蓝色、绿色和红色。
灰度位图的存储格式与24位真彩色位图的存储格式基本相同。唯一的差别是灰度位图比24位真彩色位图增加了颜色索引表，所以，可以根据公式： A=(R+G+B)/3 或心理学公式：Y=0.299R+0.587G+0.114B，把24位真彩色位图的颜色信息去掉，就可以得到灰度位图。
2.3图像纹理提取方法
纹理特征的提取指的是通过一定的图像处理技术检测出纹理基元，建立模型，从而获得纹理定量或定性描述的过程。
目前已有许多纹理提取方法，例如：统计法、结构法以及频谱法。灰度共生矩阵是统计法的一种，能够很好的反映象素之间的灰度级空间相关的规律，但是缺少与人的视觉的相似性。
图像的纹理分析在遥感图像、X射线照片、细胞图像判读和处理方面有广泛的应用。
2.3.1基于图像灰度直方图的特征提取
借助灰度直方图的矩来描述纹理特征是统计法中最简单的一种。直方图反映的是图像的亮度在各个灰度级上出现的概率。
2.3.2 基于图像灰度差值直方图的特征提取
图像的纹理特征也常常用它的粗细度来描述，粗细度的大小与其局部结构的空间重复周期有关，周期大的纹理比周期小的纹理看上去要粗糙。利用灰度差值直方图能够看出纹理的粗细程度，从而可以描述图像的纹理特征。若图像上有一点灰度为 ，则该点与点 的灰度差。
2.3.3 基于图像灰度共生矩阵的特征提取
不同的图像由于纹理尺度的不同其灰度共生矩阵会有很大差别。对于粗纹理图像，纹理尺度大，灰度较平滑，其像素趋于具有相同的亮度，所以共生矩阵的P(i，j)值较集中于对角线附近。对于细纹理图像，纹理尺度较小，灰度值分布不集中，其共生矩阵中的P(i)值分散在各处。由此可见，共生矩阵可以反映不同灰度像素相对位置的空间信息。
共生矩阵是用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征,它是定义一组纹理特征的基础。
该类方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法，Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征，能量、惯性矩、熵和相关性。
灰度共生矩阵表示了灰度的空间依赖性，它表示了在一种纹理模式下的像素灰度的空间关系。灰度共生矩阵为方阵，文数等于图像的灰度级。灰度共生矩阵中的元素（i，j）的值表示了在图像中其中一个像素的灰度值为i，另一个像素的灰度值为j，并且相邻距离为d，方向为A的这样两个像素出现的次数。在实际应用中A一般选择为0°、45°、90°、135°。
设f(x,y)为一幅二文数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为公式 1-5