[论文解读] Grey Level Co-occurrence Matrix (GLCM) Based Second Order Statistics for Image Texture Analysis

Abdul Rasak Zubair, Oluwaseun Adewunmi Alo|arXiv (Cornell University)|Mar 6, 2024

Medical Image Segmentation Techniques被引用 22

一句话总结

本论文对三种方向的24张测试图像计算基于 GLCM 和 GLDV 的二阶统计量，以研究纹理特征及其关系。它分析平滑度和方向如何影响纹理度量，并报告与对比度相关的显著相关性。

ABSTRACT

Grey Level Co-occurrence Matrix and Grey Level Difference Vector are described and computed for twenty four 128 x 128 x 3 test images along horizontal, vertical and diagonal directions. Second order image statistics such as Contrast, Dissimilarity, Homogeneity (Inverse Difference Moment), Angular Second Moment, Energy, Maximum Probability, Entropy, Mean, Standard Deviation and Correlation are computed and studied. Grey Level Co-occurrence Matrix (GLCM) and Grey Level Difference Vector (GLDV) are described and computed for twenty four 128 x 128 x 3 test images along horizontal, vertical and diagonal directions. Second order image statistics such as Contrast, Dissimilarity, Homogeneity (Inverse Difference Moment), Angular Second Moment (ASM), Energy, Maximum Probability, Entropy, Mean, Standard Deviation and Correlation are computed and studied. The results show that smooth images have lower Contrast values and higher Probability of Occurrence of Difference of same range as rough images having higher Contrast values and lower Probability of Occurrence. The degree of smoothness or roughness of an image may not be exactly the same along horizontal, vertical and diagonal directions. There are significant correlation between Dissimilarity & Contrast, Homogeneity & Contrast, Entropy & Contrast, Energy & Contrast, Standard Deviation & Contrast, Correlation & Contrast, and Probability of Occurrence of Difference of 0-19 & Contrast with correlation coefficients of 0.9322, -0.5011, 0.6681, -0.4255, -0.4914, 0.5428, and -0.8346 respectively.

研究动机与目标

• 推动在三通道图像中使用 GLCM 和 GLDV 进行纹理分析。
• 为 GLCM 和 GLDV 计算标准的二阶统计量（如对比度 Contrast、相异性 Dissimilarity、同质性 存 在？请注意：此处应为“Inverse Difference Moment”）和其他统计量。
• 研究纹理的平滑/粗糙在不同方向（水平、垂直、对角线）上的变化。
• 探索纹理度量之间的关系并报告显著相关性。

提出的方法

• 对尺寸为 128 x 128 x 3 的 24 张图像计算灰度共现矩阵（GLCM）和灰度差分向量（GLDV）。
• 在三个方向上进行评估：水平、垂直和对角线。
• 提取二阶统计量：对比度 Contrast、相异性 Dissimilarity、同质性（逆差矩）、ASM、Energy、Maximum Probability、Entropy、Mean、Standard Deviation、以及 Correlation。
• 计算并比较 GLCM 和 GLDV 在各方向上的统计量。
• 报告指标之间的观测相关性，例如 A 与 B 的相关性，以及差分 0-19 的相关性与对比度。

实验结果

研究问题

• RQ1 基于 GLCM 的二阶统计量在水平、垂直和对角线方向上如何变化以进行纹理分析？
• RQ2 纹理的平滑/粗糙与所计算的统计量（如对比度、熵、相关性）之间有什么关系？
• RQ3 哪些纹理度量的配对显示显著相关性，可能有助于纹理表征？

主要发现

• 平滑图像往往具有较低的对比度值以及在相同范围内出现差异的概率较高。
• 更粗糙的图像显示更高的对比度，以及在相同范围内出现的概率较低。
• 显著相关性包括：相异性 & 对比度（0.9322）、同质性 & 对比度（−0.5011）、熵 & 对比度（0.6681）、能量 & 对比度（−0.4255）、SD & 对比度（−0.4914）、相关性 & 对比度（0.5428），以及差分 0-19 出现概率 & 对比度（−0.8346）。
• 平滑/粗糙程度可随方向（水平、垂直、对角线）而变化。