我们可以通过观察在视觉上区分图像的纹理：

• 图案环
• 空间分布
• 颜色排列和强度

下图是一张图像上的纹理图，其分布为 50% 黑色和 50% 白色

https://embed.notionlytics.com/wt/ZXlKd1lXZGxTV1FpT2lJNE56QmlaVFprT0RneU5qZzBNR0ppT0daak9UZGhORGMzWmpZMk9XWTJNeUlzSW5kdmNtdHpjR0ZqWlZSeVlXTnJaWEpKWkNJNklsZHNTR2hsVEZSUFdXeHpaVmRhUW1ZNU1YQmxJbjA9

平均值、中值、标准差等统计计算将无法区分上面的 3 张图像。 上面的三幅图像具有相同的颜色排列和像素强度，但具有不同的空间模式和分布，这些空间模式和分布无法通过平均值、中值或标准差等统计计算来识别，因此灰度共生矩阵 (GLCM) 为了解决这个问题而出现。

灰度共生矩阵（GLCM）是图像纹理分析技术。 GLCM表示具有灰度强度，距离和角度的2个相邻像素之间的关系。 有8个角度可以在GLCM中使用，包括0°，45°，90°，135°，180°，225°，270°或315°角。

GLCM中的距离参数是通过参考像素和相邻像素之间的像素数来计算的。

灰度共生矩阵创建步骤

• 矩阵框架创建
• 创建一个共生矩阵（填写框架矩阵）
• 创建一个对称矩阵（将共生矩阵与转置矩阵相加）
• 矩阵归一化将产生一个介于 0– 之间的矩阵值

示例&步骤

• 假设我们有一个大小为 3x3 的灰度矩阵，灰度为 0-3，如下所示，

  $$ \begin{array}{|l|l|l|}\hline 0 & 0 & 1 \\\hline 1 & 2 & 3 \\\hline 2 & 3 & 2 \\\hline\end{array} $$

• 定义框架矩阵为0，维度为4x4，这个大小是从上面的量化级别矩阵中得到的，

  Quantization level = count(gray tone)
  

• 所以对于灰度 0-3，我们得到量化级别 = 4，这样我们必须创建一个大小为 4x4 的框架矩阵

  $$ \begin{array}{|l|l|l|l|}\hline 0 & 0 & 0 & 0 \\\hline 0 & 0 & 0 & 0 \\\hline 0 & 0 & 0 & 0 \\\hline 0 & 0 & 0 & 0 \\\hline\end{array} $$

• 框架矩阵中的每个位置都是3x3输入矩阵中像素值的组合。