纹理特征小结

因为分子分型的分类效果不好，所以考虑重新提取特征，而且想到老师要求最后给他一个toolbox，所以这里顺便对医学上的放射组学特征进行简单的小结

它们用于图像纹理特征的描述（虽然这个描述对我而言很尴尬，表现在分类效能不佳，当然可能是我的打开方式不对(；′⌒`)

然而它还在用的原因是....它在医学上具有可解释型...（呸）

首先他们基于ROI区域I构造了许多不同的矩阵用来描述像素的分布/关联

1)灰度共生矩阵(GLCM)

灰度共生矩阵是通过不同角度下图片中两像素值的位置关系来决定的

如下图所示，左边I是原图，我们选择水平角度（0度）构造灰度共生矩阵，GLCM[i,j]表示的就是距离为i的像素点他们在I上的像素点差值为j-1的个数

之后我们便可以基于GLCM矩阵计算如下所示一系列特征

我们象征性的对一部分特征给出解释（鉴于分类效能不好，连带着觉得这种解释特别...强行...(T_T)

Variance：图像灰度变化大的时候，variance表现得较大

Homogeneity：图像局部灰度均匀的度量，如果局部均匀，则该值较大

Contrast：度量局部灰度变化，变化大则图像表现清晰，同时该值表现较大

Dissimilarity：与Contrast所表达含义类似，只不过这个是线性增加

Entropy：表征纹理复杂度，若越大则纹理越复杂

......

2)灰度行程矩阵（GLRLM，我不造这个中文翻译对不对啊，如果不对望告知）

灰度行程矩阵用于描述像素值的分布

下图左边是原图I，右图是0度构造的灰度共生矩阵，GLRLM[i,j]表示的是像素值为0度方向上连续j个i在原图I中出现的次数

我们可以提取如下特征

GLD：度量灰度是否均匀，越大越均匀

RLD：度量灰度行程是否均匀，越小越均匀

......

简言之，感觉纹理特征，就是构造矩阵来表达像素的分布/相关性，然后通过统计值来描述它

当然上面讲的是统计型的纹理特征，除了这些还可以用LBP算子来描述图像的纹理特征（搜资料的时候发觉还有这玩意...没用过啊...

鉴于没用过我们直接贴上Rachel-Zhang给的定义好了，如有侵权望告知

首先将检测窗口划分为16×16的小区域（cell），对于每个cell中的一个像素，将其环形邻域内的8个点（也可以是环形邻域多个点，如图 3‑4. 应用LBP算法的三个邻域示例所示）进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数（通常转换为十进制数）。然后计算每个cell的直方图，即每个数字（假定是十进制数）出现的频率（也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计），然后对该直方图进行归一化处理。最后将得到的每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征，然后便可利用SVM或者其他算法进行分类了。

看了一下这个定义感觉算出来的维度挺高的，一个16×16的cell会算出256维特征，有点像HOG，但是估计自己的实验里也用不上，因为这种即使有好的分类效能也不好解释= =哎（我难过的是放弃你放弃爱放弃的梦被打碎~忍住悲哀~(；′⌒`)

参考资料：

http://blog.csdn.net/abcjennifer/article/details/7425483

https://wenku.baidu.com/view/b1640044561252d380eb6ebe.html