灰度共生矩阵gen_cooc_matrix、cooc_feature_matrix、cooc_feature_image

在“detect_mura_defects_texture.hdev”例程中遇到了灰度共生矩阵，然后研究一下用法。

1.gen_cooc_matrix ：什么是灰度共生矩阵，作用是什么
很多文章中都有下面这幅图，这里我也解释下：取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k^2;种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵

看懂了吗？

其实通俗点解释就是：左图中取两个相邻像素算一个单元，那么图片中共有多少个这样的单元呢？
数一数把值存到右图里。然后数字太大不好看，那我做个归一化，就成了概率图，这个概率图就是灰度共生矩阵。
图像的纹理就是这样的重复单元，所以，这个矩阵被用来检测纹理。

2.cooc_feature_matrix：通过灰度共生矩阵获取特征
（1）能量：表示灰度共生矩阵中的元素的平方和。假如左图中所有灰度值都一样，都是同样的灰度单元A，共有16个A，右图中就有一个位置为16，其他为0，能量为16*16；若左图出现一个灰度单元B,此时右图能量为15*15+1*1，能量变小了。所以能量越大，表示灰度变化比较稳定，能量反映了纹理变化的均匀程度。
（2）相关性：表示纹理在行或者列方向的相似程度。相关性越大，相似性越高。
（3）局部均匀性：反映图像局部纹理的变化量。值越大，表示图像局部的变化越小。
（4）反差（对比度）：表示矩阵的值的差异程度，也间接表现了图像的局部灰度变化幅度。反差值越大，图像中的纹理深浅越明显，表示图像越清晰；反之，则表示图像越模糊。
如有错误欢迎指正。至于计算公式，去看halcon帮助文档吧。

您这个解释，比我买的书本上的解释，清晰多了