我正在使用mahotas库对卫星图像(250x200像素)进行纹理分析(GLCM)。GLCM计算在窗口大小内进行。因此,对于滑动窗口的两个相邻位置,我们需要从头开始计算两个共现矩阵。我读到我可以设置步长,以避免计算重叠区域的GLCM。我提供了下面的代码。在
#Compute haralick features
def haralick_feature(image):
haralick = mahotas.features.haralick(image, True)
return haralick
img = 'SAR_image.tif'
win_s=32 #window size
step=32 #step size
rows = img.shape[0]
cols = img.shape[1]
array = np.zeros((rows,cols), dtype= object)
harList = []
for i in range(0, rows-win_s-1, step):
print 'Row number: ', r
for j in range(0, cols-win_s-1, step):
harList.append(haralick_feature(image))
harImages = np.array(harList)
harImages_mean = harImages.mean(axis=1)
对于上面的代码,我将窗口和步长设置为32。代码完成后,我得到了一个尺寸为6×8(而不是250×200)的图像,因为步长设置为32,这是有意义的。在
所以,我的问题是:通过设置步长(避免在重叠区域进行计算以及代码速度更快),我是否可以从某种程度上推导出尺寸为250 x 200的整个图像的GLCM结果,而不是有一个子集(6 x 8维)?或者我别无选择,只能用普通的方式(不设置步长)在图像上循环?在
您不能使用^{} 作为计算共现映射的函数在该库中不可用。从GLCM中提取纹理特征的另一种方法是利用^{} (查看this thread了解详细信息)。在
但是如果你想坚持使用mahota,你应该尝试使用^{} 而不是滑动窗口,因为它可以加快扫描图像的速度。请务必阅读文档末尾关于内存使用的警告。如果使用
view_as_windows
对您来说是一种负担得起的方法,那么下面的代码可以完成任务:演示
对于下面的示例运行,我将
^{pr2}$win
设置为19
,它对应于一个形状为(39, 39)
的窗口。我考虑过两种不同的距离。请注意,mht.haralick
产生了13个面向四个方向的GLCM特性。总的来说,这将为每个像素生成104维特征向量。当应用于陆地卫星图像中的(250, 200)
像素裁剪时,特征提取在大约7分钟内完成。在相关问题 更多 >
编程相关推荐