1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392
|
package rdf.textures.glrlm;
import imageTiTi.Image;
import imageTiTi.reducer.ColorReducer;
import morphee.Levelings.Leveling;
import rdf.Features;
/**
* <p>Description: Cette classe calcule les caracteristiques de la "run length matrix" pour une image (vignette).
* Elles peuvent etre calculees dans plusieurs directions, mais alors une moyenne est faite.<br>
* Liste des caracteristiques calculees :<br>
* - F0 => Short Run Emphasis, SRE.<br>
* - F1 => Long Run Emphasis, LRE.<br>
* - F2 => Gray Level Non Uniformity, GLNU.<br>
* - F3 => Run Length Non Uniformity, RLNU.<br>
* - F4 => Run Percentage, RP.<br>
* - F5 => Low Gray Level Run Emphasis, LGLRE.<br>
* - F6 => High Gray Level Run Emphasis, HGLRE.<br>
* - F7 => Short Run Low Gray Level Emphasis, SRLGLE.<br>
* - F8 => Short Run High Gray Level Emphasis, SRHGLE.<br>
* - F9 => Long Run Low Gray Level Emphasis, LRLGLE.<br>
* - F10 => Long Run High Gray Level Emphasis, LRHGLE.<br>
* - VAR1 => Variance ponderee sur les niveaux de gris.<br>
* - VAR2 => Variance ponderee sur longueurs des segments.</p>
* <p>Package(s) required: imageTiTi, morphee.</p>
* <p>Copyright: Copyright (c) 2007-2010.</p>
* <p>Laboratories/Teams: CMM (Mines-ParisTech/ENSMP), I&M (ex LXAO) LSIS.</p>
* <p>Updates: <br>
* 07 Fevrier 2010 => Suppression des caracteristiques Haralick.<br>
* 19 Novembre 2009 => Ajout de la methode ComputeFromStack qui permet de faire les calculs sur une pile d'images
* (projet Loreal, CMM ENSMP).<br>
* 08 Avril 2008 => Creation.</p>
*
<!-- technical-bibtex-start -->
* BibTeX:
* <pre>
* @article{YJATD96,
* author = {K. Yogesan and T. Jørgensen and F. Albregtsen and K. J. Tveter and H. E. Danielsen},
* journal = {Cytometry},
* pages = {268-276},
* title = {Entropy based texture analysis of chromatin structure in advanced prostate cancer},
* volume = {24},
* year = {1996}
* }
*
* @article{KMGK99,
* author = {S. A. Karkanis and George D. Magoulas and Maria Grigoriadou and Dimitris A. Karras},
* journal = {EUROMICRO},
* pages = {392-396},
* title = {Neural Network based textural labeling of images in multimedia applications},
* volume = {2},
* year = {1999}
* }
*
* @conference{XKFR04,
* author = {D. H. Xu and A.S. Kurani and J.D. Furst and D.S. Raicu},
* Booktitle = {International Conference on Visualization, Imaging, and Image Processing (VIIP)},
* pages = {452-458},
* title = {Run-Length Encoding For Volumetric Texture},
* year = {2004}
* }
* </pre>
* <p/>
<!-- technical-bibtex-end -->
*
*
* @author Guillaume THIBAULT
* @version 1.0
*/
public class GlrlmFeatures extends GrayLevelRunLengthMatrix implements Features
{
/** Tableau qui va contenir toutes les caracteristiques.*/
private double[] Features = new double[13] ;
/** Variable qui va etre egale a la somme de tous les elements de la matrice.*/
private double Sum = 0.0 ;
/** Tableau contenant les noms des caracteristiques Haralick qui sont calculees.*/
private String[] FeaturesNames = new String[]{"SRE", "LRE", "GLNU", "RLNU", "RP", "LGLRE", "HGLRE",
"SRLGLE", "SRHLGE", "LRLGLE", "LRHGLE", "VAR1", "VAR2" } ;
/** Un constructeur qui permet de modifier la taille de la run length matrix.
* @param nbGrayLevel Le nombre de niveaux de gris a prendre en compte, ce sera la hauteur de la matrice.*/
public GlrlmFeatures(int nbGrayLevel)
{
super(nbGrayLevel) ;
}
/** Methode qui lance et gere les differentes etapes de calcul. Inutile d'appeler la methode "FillMatrix".
* @param image L'image a caracteriser
* @param reducer Classe qui permet de reduire le nombre de couleurs.
* @param leveling Methode de nivellement a utiliser avant la reduction des couleurs avec un filtre gaussien comme marqueur.
* Si ce parametre est null, alors rien n'est realise.
* @param ForbidenValue La valeur a exclure lors de calculs. Mettre -1 si toute la texture est a caracteriser.
* @param nbCPU Nombre de CPU autorises dans cette classe => Nombre de threads autorises.*/
public void Compute(Image image, ColorReducer reducer, Leveling leveling, int ForbidenValue, int nbCPU)
{
if ( image.isColored() ) throw new IllegalArgumentException("Only gray level or binary images supported.") ;
FillMatrix(image, reducer, leveling, ForbidenValue, nbCPU) ; // On remplit la matrice :)
ComputeFeatures() ;
}
/** Methode qui gere le calcul des indices de texture.*/
private void ComputeFeatures()
{
Sum = 0.0 ;
for (int y=0 ; y < nbGrayLevel ; y++)
for (int x=0 ; x < Width ; x++)
Sum += matrix[y][x] ;
Features[0] = SRE() ;
Features[1] = LRE() ;
Features[2] = GLNU() ;
Features[3] = RLNU() ;
Features[4] = RP() ;
Features[5] = LGLRE() ;
Features[6] = HGLRE() ;
Features[7] = SRLGLE() ;
Features[8] = SRHGLE() ;
Features[9] = LRLGLE() ;
Features[10] = LRHGLE() ;
Features[11] = VAR1() ;
Features[12] = VAR2() ;
}
/** Methode qui lance et gere les differentes etapes de calcul pour un tas (pile) d'images.
* @param images Les vignettes (images) contenant les texture a caracteriser.
* @param reducer Classe qui permet de reduire le nombre de couleurs.
* @param leveling Methode de nivellement a utiliser avant la reduction des couleurs avec un filtre gaussien comme marqueur.
* Si ce parametre est null, alors rien n'est realise.
* @param ForbidenValue La valeur a exclure lors de calculs. Mettre -1 si toute la texture est a caracteriser.
* @param nbCPU Nombre de CPU autorises dans cette classe => Nombre de threads autorises.*/
public void ComputeFromStack(Image[] images, ColorReducer reducer, Leveling leveling, int ForbidenValue, int nbCPU)
{
int i, j ;
int[] nbNanF1 = new int[Features.length] ;
double[] F1 = new double[Features.length] ; // Tableaux temporaires contenant la somme des caractéristiques.
for (i=0 ; i < images.length ; i++)
{
Compute(images[i], reducer, leveling, ForbidenValue, nbCPU) ; // On calcul les caractéristiques
for (j=0 ; j < F1.length ; j++)
if ( Double.isNaN(Features[j])) nbNanF1[j]++ ; // On compte le nombre de Nan pour ajuster les calculs.
else F1[j] += Features[j] ; // On sauvegarde les résultats.
}
for (j=0 ; j < F1.length ; j++) Features[j] = F1[j] / (double)(images.length-nbNanF1[j]) ;
F1 = null ;
nbNanF1 = null ;
}
/* ------------------------------------------------- Calcul des caractéristiques ------------------------------------------------- */
/** F0 - Short Run Emphasis, SRE. Courte isolongueur.
* @return SRE.*/
private double SRE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] / Math.pow(l+1, 2.0) ;
return val /(double)Sum ;
}
/** F1 - Long Run Emphasis, LRE. Grande isolongueur.
* @return LRE.*/
private double LRE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] * Math.pow(l+1, 2.0) ;
return val / Sum ;
}
/** F2 - Gray Level Non Uniform, GLNU. Homogeneite spectrale.
* @return GLNU.*/
private double GLNU()
{
int n, l ;
double v, val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
{
v = 0.0 ;
for (l=0 ; l < Width ; l++)
v += matrix[n][l] ;
val += v*v ;
}
return val / (double)Sum ;
}
/** F3 - Run Length Non Uniform, RLNU. Uniformite.
* @return RLNU.*/
private double RLNU()
{
int n, l ;
double v, val = 0.0 ;
for (l=0 ; l < Width ; l++)
{
v = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
v += matrix[n][l] ;
val += v*v ;
}
return val / Sum ;
}
/** F4 - Run Percentage, RP. Egalite des isolongueur (pourcentage primitives).
* @return RP.*/
private double RP()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += (double)(l+1) * matrix[n][l] ;
return Sum / val ;
}
/** F5 - Low Gray Level Run Emphasis, LGLRE.
* @return LGLRE.*/
private double LGLRE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] / Math.pow(n+1, 2.0) ;
return val / Sum ;
}
/** F6 - High Gray Level Run Emphasis, HGLRE.
* @return LGLRE.*/
private double HGLRE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] * Math.pow(n+1, 2.0) ;
return val / Sum ;
}
/** F7 - Short Run Low Gray Level Emphasis, SRLGLE.
* @return SRLGLE.*/
private double SRLGLE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] / (Math.pow(n+1, 2.0) * Math.pow(l+1, 2.0)) ;
return val / Sum ;
}
/** F8 - Short Run High Gray Level Emphasis, SRHGLE.
* @return SRHGLE.*/
private double SRHGLE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] * Math.pow((double)(n+1)/(double)(l+1), 2.0) ;
return val / Sum ;
}
/** F9 - Long Run Low Gray Level Emphasis, LRLGLE.
* @return LRLGLE.*/
private double LRLGLE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] * Math.pow((double)(l+1)/(double)(n+1), 2.0) ;
return val / Sum ;
}
/** F10 - Long Run High Gray Level Emphasis, LRHGLE.
* @return LRHGLE.*/
private double LRHGLE()
{
int n, l ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += matrix[n][l] * Math.pow(n+1, 2.0) * Math.pow(l+1, 2.0) ;
return val / Sum ;
}
/** Methode qui calcule la variance sur les niveaux de gris.
* @return La variance sur les niveaux de gris.*/
private double VAR1()
{
int n, l ;
double mean = 0.0 ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
mean += (double)n * matrix[n][l] ;
mean /= Sum ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += Math.pow((double)n * matrix[n][l] - mean, 2.0) ;
return Math.sqrt(val / Sum) ;
}
/** Methode qui calcule la variance sur les tailles.
* @return La variance sur les tailles.*/
private double VAR2()
{
int n, l ;
double mean = 0.0 ;
double val = 0.0 ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
mean += (double)l * matrix[n][l] ;
mean /= Sum ;
for (n=0 ; n < nbGrayLevel ; n++)
for (l=0 ; l < Width ; l++)
val += Math.pow((double)l * matrix[n][l] - mean, 2.0) ;
return Math.sqrt(val / Sum) ;
}
/* ---------------------------------------------------- Les getters ---------------------------------------------------- */
/** Methode qui retourne la liste des caracteristiques.
* @return Le tableau de double contenant les caracteristiques.*/
public double[] Feature()
{
return Features ;
}
/** Methode qui retourne une des caracteristiques.
* @param i Le numero de la caracteristique.
* @return La valeur de type double de la caracteristiques.*/
public double Feature(int i)
{
if ( i < 0 || i >= Features.length )
throw new Error("Numéro de RLM's Features incorrect : " + i + ", attendu [0.." + (Features.length-1) + "].") ;
return Features[i] ;
}
/** Methode qui renvoit un tableau contenant les noms des caracteristiques.
* @return Le tableau de string contenant les noms.*/
public String[] FeaturesNames()
{
return FeaturesNames ;
}
} |