【正文】 1，θ=0o時，每一行有2（NX1）個水平相鄰點，共有NY行，因此總共有2NY(NX1)個相鄰點，所以取R=2NY(NX1)。當d=1，θ=45o時，共有2（NY1）(NX1)個相鄰點，所以取R=2（NY1）(NX1)。由對稱性可知，當θ=90o和135o時，同理可得。記： 代碼如下，我們以0度和45度為例進行公式的表達： 計算0度的灰度共現(xiàn)陣： for(i=0。 iLocalImageWidth。 i++) { for(j=0。 jLocalImageWidthdistance。 j++) { PMatrixH[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[i][j+distance]] += 1。 PMatrixH[(unsigned int)NewImage[i][j+distance]][(unsigned int)NewImage[i][j]] += 1。 } }同理我們可以知道計算90度方向上的灰度共生矩陣的方法： PMatrixV[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[i+distance][j]] += 1。 PMatrixV[(unsigned int)NewImage[i+distance][j]][(unsigned int)NewImage[i][j]] += 1。 計算45度的灰度共現(xiàn)陣： for(i=distance。 iLocalImageWidth。 i++) { for(j=0。 jLocalImageWidthdistance。 j++) { int newi, newj。 newi = idistance。 newj = j+distance。 PMatrixRD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 PMatrixRD[(unsigned int)NewImage[newi][newj]][(unsigned int)NewImage[i][j]] += 1。 } }} 同理可知計算135度的灰度共現(xiàn)陣方法： PMatrixLD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 PMatrixLD[(unsigned int)NewImage[newi][newj]][(unsigned int)NewImage[i][j]] += 1。 計算紋理特征參數(shù)的算法能量： 能量是圖像紋理灰度變化均一的度量，他反映了圖像灰度分布均勻程度和紋理粗細度，如果共生矩陣的所有值均相等，則ASM值就??；相反，如果其中一些值大而其他值小，則ASM值大。計算公式為：ASM= 則其實現(xiàn)代碼是：{ 。FeatureEnergy += pdMatrix[i][j]*pdMatrix[i][j]。}慣性矩：對比度是灰度共生矩陣主對角線附近的慣性矩，它度量矩陣的值是如何分布和圖像中局部變化的多少，反映了圖像的清晰度和紋理的溝紋深淺。紋理的溝紋深，對比值大，效果清晰；反之，對比值小，則溝紋淺，效果模糊。其計算公式為：CON=則實現(xiàn)代碼為：{ 。 。 。 。 。 。 FeatureInertiaQuadrature += (double)(ij)*(double)(ij)*pdMatrix[i][j]。 。 。 。 。 。} 熵：熵度量圖像紋理的隨機性。當空間共生矩陣中所有值均相等時，它取得最大值；相反，如果共生矩陣中的值非常不均勻時，其值較小。因此，熵的最大值暗示圖像中灰度分布非常隨機。計算公式為：其實現(xiàn)代碼為：if(pdMatrix[i][j]1e12) { FeatureEntropy = pdMatrix[i][j]*log(pdMatrix[i][j])。 } 局部平穩(wěn)性：圖紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域缺少變化，局部非常均勻。計算公式為：則實現(xiàn)代碼為：{ eatureLocalCalm += pdMatrix[i][j]/(1+(double)(ij)*(double)(ij）} 相關(guān)：在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當矩陣元素值均勻相等時，相關(guān)值就大；相反，如果矩陣象元值相差很大則相關(guān)值小。當一副圖像中相似的紋理區(qū)域有某種方向性時，其差值較大。其計算公式為：其中：則實現(xiàn)代碼為： FeatureCorrelation = 。 for(i=0。 idim。 i++) { for(j=0。 jdim。 j++) { FeatureCorrelation += (double)(iux) * (double)(juy) * pdMatrix[i][j]。 } } FeatureCorrelation /= sigmax。 FeatureCorrelation /= sigmay。} 實驗結(jié)果分析 程序的實現(xiàn)測試本課題主要是對超聲肝臟的圖像進行紋理分析，本文分別選取了正常肝臟、肝硬化和脂肪肝的超聲圖像進行測試。超聲肝臟原圖為： 圖一 正常肝臟超聲圖 圖二 肝硬化超聲圖像 圖三 脂肪肝超聲圖像分別截取超聲圖像當中的一部分載入程序當中進行測試，進而輸出結(jié)果,見下圖： 正常肝臟分析結(jié)果： 脂肪肝分析結(jié)果： 肝硬化分析結(jié)果： 通過上面的測試結(jié)果我們可以看到能夠順利的計算出各超聲圖像的紋理特征值進行大概的比對，我們可以看到不同的圖像最終的測試結(jié)果存在著不同。進而可以證明我們的程序運行正確，是可以順利實現(xiàn)的！ 紋理分析測試結(jié)果比對依據(jù)肝臟超聲圖像的特點可知:正常肝臟的質(zhì)地均勻、紋理清晰，超聲回聲相對均勻，因此其能量參數(shù)較小、慣性矩較大，熵較大。相反，脂肪肝由于肝臟實質(zhì)被脂肪浸潤，其質(zhì)地會變得比較細膩，紋理變得不清晰，回聲出現(xiàn)衰減，所以其能量參數(shù)較大、慣性矩較小，熵較小。而肝硬化會使肝臟變得凹凸不平，紋理增強，回聲也增強，且分布不均，所以與正常肝臟比較，其能量參數(shù)較大，慣性矩較大，熵較大。下面我們會根據(jù)上面的特點，以正常肝臟和脂肪肝的超聲圖像為例，分別在每副肝臟的超聲圖像當中隨機的選取大小相等的超聲區(qū)域十副，然后計算其紋理特性取其平均值進行比較： 正常肝臟：在同一正常超聲肝臟圖像上隨機截取十份，如下： （一） （二） （三） （四） （五） (六) (七) (八) (九) (十) 將超聲圖像片段載入程序段，分別計算出紋理參數(shù)求平均值：能 量熵慣 性 矩局部平穩(wěn)性相 關(guān)圖 一圖 二圖 三圖 四圖 五圖 六圖 七圖 八圖 九圖 十平均值 脂肪肝：在同一脂肪肝超聲肝臟圖像上隨機截取十份，如下： （一） （二） （三） （四） （五） （六） （七）　　?。ò耍　　。ň牛　　。ㄊ⒊晥D像片段載入程序段，分別計算出紋理參數(shù)求平均值：能 量熵慣 性 矩局部平穩(wěn)性相 關(guān)圖 一圖 二圖 三圖 四圖 五圖 六圖 七圖 八圖 九圖 十平均值分析：根據(jù)超聲圖像的特點，我們分別對所得到的超聲肝臟的圖像的參數(shù)結(jié)果進行比對，我們可以看到正常肝臟的能量值（）小于脂肪肝的能量值（）；正常肝臟的熵（）大于脂肪肝的熵（）；正常肝臟的慣性矩（）大于脂肪肝的慣性矩（）。根據(jù)最終測試結(jié)果與超聲圖像的特點是相符的，所以我們可以看出我們所做的程序?qū)Τ暩闻K的紋理分析是正確的。 本章小結(jié)本章主要采取灰度共生矩陣的方法進行算法的實現(xiàn)，對基本流程和算法的實現(xiàn)代碼做了簡單的介紹，并且分別選取不同病理的超聲肝臟圖像對軟件進行了測試，測試結(jié)果使軟件運行良好，能夠很好的得出不同超聲肝臟圖像的紋理分析結(jié)果。 參考文獻：1． 張宏林. 精通Visual C++數(shù)字圖像模式識別技術(shù)及工程實踐第2版. 人民郵電出版社,北京,2008.2． 徐雪. 肝臟超聲圖像的紋理分析[D]. 長春理工大學(xué)大學(xué)碩士學(xué)位論文, 2004.3． 曹桂濤, 施鵬飛, 胡兵. 紋理分析在肝臟超聲圖像組織定征中的應(yīng)用[J]. 聲學(xué)技術(shù), Vol 23, 3(I),2004: 122125.4． 王勇, 呂揚. 生基于紋理特征的超聲醫(yī)學(xué)圖像檢索[J]. 天津大學(xué)學(xué)報, Vol. 38, No. 1, 2005: 5659.5． Haralick RM. Texture Features for Image Classification. IEEE Trans. Man and Cybernetic, SMC3, 1973, 610—6216． (自然科學(xué)版)，2000,40(3), 90937． ，1994, 21(l), 43448． (自然科學(xué)版)，2001, 19(4), 337—3419． ::河北工業(yè)大學(xué)物理電子學(xué)，2004 ，李萍萍，2003,第二期，6063第 32 頁 共 34