很好的灰度共生矩阵特征提取MATLAB代码，实用，得到了灰度共生矩阵各个特征的值。

程序包含三种纹理特征的提取：灰度差分统计、自相关函数、灰度共生矩阵

这是北京大学计算机系数字图像处理的实习题目。
在这个项目中，我们收获了很多。
把整个分类、特征提取、论文阅读等等都经历了。
这是我们组三个人共同的结果。
一． 项目综述本实验项目实现了基于内容的图像分类系统，系统共分为三大模块：特征提取部分和分类器训练与测试，以及界面展示。
在特征提取模块采用了HSV、CIE-LAB、RGB颜色特征，小波变换及灰度共生矩阵的纹理特征，基于canny算子不变矩的形状特征；
分类器我们选择了SVM、？对于不同特征的处理，我们采取了前期加权融合。
最后还有一个对各个特征分类结果的投票决策系统，但投票系统还没有用于最后结果的提交。
界面展示使用VisualC++6.0平台。
如果遇到任何问题，或者想转载，可以到我的主页留言：http://blog.sina.com.cn/gusui，或者直接给我来邮件：ouyangj0@gmail.com谢谢：）

运用MATLABR2014a来完成灰度共生矩阵各特征参数的求解。
以纸作为纹理分析的对象。
首先需将彩色图像将各颜色分量转化为灰度。
所用图像的灰度级为256。
为了减少计算量，对原始图像灰度级压缩，将灰度量化成16级。
计算四个共生矩阵P，取距离为1，角度分别为0,45,90,135。
对共生矩阵进行归一化，求出最常用的能量、熵、惯性矩、相关4个纹理参数。
最后求出能量、熵、惯性矩、相关的均值和标准差，作为最终8维纹理特征。

本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取有效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost

提取纹理特征（能量、熵、惯性矩、相关性）：将原始图像灰度化；
计较四个共生矩阵P；
对共生矩阵归一化；
对共生矩阵计较能量、熵、惯性矩、相关4个纹理参数

用共生矩阵进行纹理特征提取**************************************************************************%图像检索——纹理特征%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵%所用图像灰度级均为256%参考《基于颜色空间和纹理特征的图像检索》%function:T=Texture(Image)%Image:输入图像数据%T:前往八维纹理特征行向量%**************************************************************************functionT=Texture(Image)%Image=imread('E:\1\3.tiff');%[M,N,O]=size(Image);M=256;N=256;%--------------------------------------------------------------------------%1.将各颜色分量转化为灰度%--------------------------------------------------------------------------Gray=double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3));%--------------------------------------------------------------------------%2.为了减少计算量，对原始图像灰度级压缩，将Gray量化成16级

本人用python写的灰度共生矩阵小程序

MATLAB灰度共生矩阵纹理特征提取粗糙度、对照度、方向度等,源代码

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。
该算法利用三级离散小波变换将图像分解为高频部分和低频部分。
通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自顺应分配采样率。
采用平滑投影Landweber算法重构图像,消除分块引起的块效应。
对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。
不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。
对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。