使用纹理来识别图像中的感兴趣区域是一项至关重要的特征。早在1973年，Haralick等人就提出了最早纹理特征提取方法之一——灰度共生矩阵。从那时起，它被广泛用于各种纹理分析应用，并继续作为纹理分析中特征提取的重要技术。Haralick使用GLCM提取了14个特征来描述纹理。在基于内容的图像检索（CBIR）应用中，Dacheng等人利用了3D共生矩阵。为了匹配和识别物体，Kovalev和Petrov使用了特殊的多维共生矩阵。聚类方法利用了多维纹理分析，这一点首先得到了证明。这项工作的目标是共生矩阵及其从n维欧几里得空间提取额外特征，它将该概念扩展到了这些空间。在CBIR应用中，新定义的特征被证明非常有用。
灰度共生矩阵 (GLCM):
GLCM为我们提供了相邻或邻近像素之间的空间关系。我们将从这个GLCM矩阵中计算一些纹理特征。GLCM被称为二阶统计纹理分析方法。它测量在给定方向和距离d下像素在图像中出现的频率，并检查它们之间的空间关系。灰度空间依赖矩阵是灰度共生矩阵的另一个名称。通过计算具有相同灰度强度值——i和j——的两个像素在水平方向上彼此相邻出现的频率，灰度矩阵生成GLCM。
语法:
> glcms = graycomatrix(I)
>
>
> glcms = graycomatrix(I,Name,Value)
>
>
> [glcms,SI] = graycomatrix(_)
- glcms- 从图像I，graycomatrix(I) 生成一个灰度共生矩阵 (GLCM)，也称为灰度空间依赖矩阵。
- glcms- 根据可选的名称-值对参数的值，graycomatrix(I, Name, Value) 返回一个或多个灰度共生矩阵。
- [glcms,SI]- graycomatrix(_) 返回用于计算灰度共生矩阵的缩放图像 SI。
计算 GLCM 矩阵:
让我们使用 graycomatrix 函数来构建 GLCM。该函数通过确定具有强度（灰度级）值 I 的像素与具有值 j 的像素在特定空间关系中出现的频率，来生成灰度共生矩阵 (GLCM)。空间关系的默认定义是感兴趣像素及其右侧像素（水平相邻），但我们可以指定两个像素之间的其他空间关系。最终 glcm 中每个元素 是输入图像中值为 I 的像素在与值为 j 的像素的指定空间关系中出现的次数的简单累加。
图像中灰度级的数量决定了 GLCM 的大小。Graycomatrix 默认使用缩放将图像中的强度值减少到8个。但是，我们可以利用 NumLevels 和 GrayLimits 参数来控制这种灰度级的缩放。
我们可以从灰度共生矩阵中了解纹理图像中灰度级的空间分布。例如，如果 GLCM 中的大多数条目沿对角线集中，则相对于指定的偏移量，纹理是粗糙的。GLCM 还可用于计算许多统计度量。
示例 1:
Matlab
CODEBLOCK_9ce7a401
输出:
!imageOUTPUT
解释:
这里计算了一个像素及其相邻像素出现的次数。偏移量为1，但我们可以根据需要增加。在这里，像素的移动是向右的。量化级别设置为9，因为矩阵X中的每个像素的最大值为9。在前面的例子中，例如，像素6及其邻居7在矩阵X中出现了6次，GLCM矩阵在位置(6,7)将它们更新为2。
示例 2:
Matlab
CODEBLOCK_ab5fc038
输出:
![image](https://media.geeksforgeeks.o