基于灰度梯度共生矩阵的图像分类

基于灰度梯度共生矩阵，计算混合熵对图像实现分类

%图像块计算灰度共生矩阵
clc;
close all;
clear all;
   
gray=256;
I = imread（‘lena.bmp‘）;
[mn]=size（I）;

Energy = zeros（mn）;
Entropy = zeros（mn）;
entropy = [];
R = 8;
C = 8;

%划分成8*8图像块
for u = 1:8:m-7
    for v = 1:8:n-7
        IN = I（u:u+7v:v+7）;
        
        %采用平方求和计算梯度矩阵
        GM=zeros（RC）;
        for i=1:R-1
            for j=1:C-1
%                 n_GM=（IN（ij+1）-IN（ij））^2+（IN（i+1j）-IN（ij））^2+（IN（ij）-IN（i+1j+1））^2;
                 n_GM=（IN（ij+1）-IN（ij））^2+（IN（i+1j）-IN（ij））^2;
                GM（ij）=sqrt（double（n_GM））;
            end
        end
        GM（1:end-1C） = GM（1:end-1C-1）;
        GM（R1:end-1） = GM（R-11:end-1）;
        GM（endend） = GM（end-1end-1）;

        %找出最大值最小值
        n_min=min（GM（:））;
        n_max=max（GM（:））;
        %把梯度图象灰度级离散化
        %设置新的灰度级为new_gray
        new_gray=128;
        
        %新的梯度矩阵为new_GM
        new_GM=zeros（RC）;
        new_GM=uint8（（GM-n_min）/（n_max-n_min）*（new_gray-1））;

        % 计算灰度梯度共生矩阵
        H=zeros（graynew_gray）;
        for i = 1:R
            for j =1:C
                x = IN（ij）;
                y = new_GM（ij）;
                H（x+1y+1） = H（x+1y+1）+1;
            end
        end


        %归一化灰度梯度矩阵 H_basic
        H_basic=H/（R*C）;
        
        %计算能量 T5
        T5=0;
        for i=1:gray
            for j=1:new_gray
                T5=T5+H_basic（ij）^2;
            end
        end
        
        %计算混合熵 T13
        T13=0;
        for i=1:gray
            for j=1:new_gray
                if（H_basic（ij）~=0）
                    T13=T13-H_basic（ij）*log2（H_basic（ij））;
                end
            end
        end
       
        Energy（u:u+7v:v+7） = T5;
        Entropy（u:u+7v:v+7） = T13;
        entropy = [entropy T13];
    end
end
figure;imshow（I）;
%figure;imagesc（Energy）;colorbar;
figure;imagesc（Entropy）;colorbar;

%分为c类，每类数量平均
en = sort（entropy）;
classpic = ones（mn）;

%分为2类
% c = 2;
% fenwei_loc = round（length（en）*0.5）;
% thre = en（fenwei_loc）;
% %小于门限值的图像块标记为1，大于门限值的图像块标记为2
% loc = find（Entropy>thre）;
% classpic（loc） = 2;

%分为c类
c = 4;
%分位点
fp = （1:（c-1））*（1/c）;
floc = length（en）*fp;
thre = [min（en） en（floc） max（en）];
for i = 1:length（thre）-1
    mint = thre（i）;
    maxt = thre（i+1）;
    loc = find（Entropy>=mint&Entropy<=maxt）;
    classpic（loc） = i;
end
figure;imagesc（classpic）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2560  2015-12-16 19:51  test_gray_gradient.m