[Image/Java] Gray Level Run Length Matrix

Version imprimable

Bonjour,

voici deux classes permettant de calculer les Gray Level Run Length Matrix (GLRLM) ainsi que les indices associés.

Pour ceux qui souhaiteraient utiliser ce morceaux de code, je conseille d'effacer les lignes concernant les k-means. C'était un test (relativement concluant) permettant de réduire un peu plus astucieusement les niveaux de gris.
Mais en revanche, cela complique le code, donc à supprimer pour une ré-utilisation simple.

Code:

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
 
package rdf.textures.glrlm;
 
import mathematics.Maths;
import morphee.Levelings.Leveling;
import processing.filters.Gaussian;
import utils.arrays.ArraysOperations;
import imageTiTi.Image;
import imageTiTi.reducer.ColorReducer;
 
/**
 * <p>Description: Cette classe calcule la "run length matrix" pour une image (vignette). Elle peut etre calculee
 *  dans plusieurs directions, mais alors une moyenne des differentes matrices est effectuee.<br>
 * <p>Package(s) required: imageTiTi, mathematics.</p>
 * <p>Copyright: Copyright (c) 2007-2010.</p>
 * <p>Laboratories/Teams: CMM (Mines-ParisTech/ENSMP), I&M (ex LXAO) LSIS.</p>
 * <p>Updates: <br>
 * 12 Avril 2010, 1.2 => Simplification par l'utilisation de l'interface ColorReducer et ajout du Leveling.<br>
 * 10 Novembre 2009, 1.1 => Gestion des tous les types de niveaux de gris, ycompris les binaires.<br>
 * 02 Mai 2008 => Ajout de la valeur interdite.<br>
 * 08 Avril 2008 => Creation.</p>
 * 
 * @author Guillaume THIBAULT
 * @version 1.2
 * <p>
 * <!-- technical-bibtex-start -->
 * BibTeX:
 * <pre>
 * @article{Galloway75,
 *              author = {M. M. Galloway},
 *              journal = {Computer Graphics Image Process},
 *              volume = {4},
 *              pages = {1971--1975},
 *              title = {Texture analysis using grey level run lengths},
 *              year = {1975}
 *              }
 * </pre>
 * <pre>
 * @article{CSG90,
 *              author = {A. Chu and C. M. Sehgal and J. F. Greenleaf},
 *              journal = {Pattern Recognition Letters},
 *              volume = {11},
 *              number = {6},
 *              pages = {415--420},
 *              title = {Use of gray value distribution of run lengths for texture analysis},
 *              year = {1990}
 *              }
 * </pre>
 * <pre>
 * @article{PeronaMalik1990,
 *              author = {K. Yogesan and T. Jørgensen and F. Albregtsen and K. J. Tveter and H. E. Danielsen},
 *              journal = {Cytometry},
 *              volume = {24},
 *              pages = {268--276},
 *              title = {Entropy based texture analysis of chromatin structure in advanced prostate cancer},
 *              year = {1996}
 *              }
 * </pre>
 * <pre>
 * @article{PeronaMalik1990,
 *              author = {Pietro Perona and Jitendra Malik},
 *              journal = {IEEE Transaction on Pattern Analysis and Machine Intelligence},
 *              volume = {12},
 *              number = {7},
 *              pages = {629-639},
 *              publisher = {Morgan Kaufmann},
 *              title = {Scale-Space and Edge Detection Using Anysotropic Diffusion},
 *              year = {1990}
 *              }
 * </pre>
 <!-- technical-bibtex-end -->
 </p>
 */
 
public class GrayLevelRunLengthMatrix
{
 
/** Nombre de niveaux de gris <=> Hauteur de la run length matrix.*/
protected int nbGrayLevel = -1 ;
/** Largeur de la matrice. Si FixedSize Alors Width=nbSizes, Sinon Width=TailleZoneMax/nbSizes+1.*/
protected int Width = -1 ;
/** Tableau representant la run length matrix (a la taille de la chaine la plus longue).*/
protected double[][] matrix = null ;
/** Tableau representant la run length matrix brute.*/
private double[][] mat = null ;
 
// Les directions de calculs.
/** La variation en X pour le calcul de la matrice.*/
protected int[] dx = new int[] {1, 1, 0,-1} ;
/** La variation en Y pour le calcul de la matrice.*/
protected int[] dy = new int[] {0, 1, 1, 1} ;
 
 
/** L'image (la vignette) sur laquelle on a calcule la matrice des longueurs de segments.*/
protected Image image = null ;
 
/** Un filtre gaussien, utile pour construire le marqueur du leveling.*/
private Gaussian gauss = new Gaussian(1, 1) ;
 
 
 
 
 
 
 
/** 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.*/
public GrayLevelRunLengthMatrix(int nbGrayLevel)
	{
	if ( nbGrayLevel < 1 )
		throw new IllegalArgumentException("Bad gray level: " + nbGrayLevel + ", wished [1..2^n < 65535]") ;
 
	this.nbGrayLevel = nbGrayLevel ;
	if ( nbGrayLevel == 1 ) return ; // Image binaire où l'on ne considère qu'une seule couleur.
	if ( !Maths.isPowerOf(nbGrayLevel, 2)  )
		throw new IllegalArgumentException("Number of gray level must be a power of 2: " + nbGrayLevel) ;
	}
 
 
/** Methode qui affecte la direction de calcul.
 * @param DX Deplacement en X.
 * @param DY Deplacement en Y.*/
public void setDirection(int DX, int DY)
	{
	int x = DX ;
	int y = DY ;
	if ( x < 0 ) x = -x ;
	if ( y < 0 ) y = -y ;
	if ( x > 1 || y > 1 ) throw new Error("Variation de direction trop importante. Attendu [-1..1].") ;
	if ( x + y == 0 ) throw new Error("Direction nulle : x = y = 0.") ;
	dx = null ;
	dy = null ;
	dx = new int[]{DX} ;
	dy = new int[]{DY} ;
	}
 
 
/** Methode qui affecte le nouveau tableau de direction. Si le tableau a une taille superieure a 1, une moyenne sera faite.
 * @param dx Nouveau tableau de variation en X.
 * @param dy Nouveau tableau de variation en Y.*/
public void setDirection(int[] dx, int[] dy)
	{
	if ( dx == null || dy == null ) throw new NullPointerException("Un des tableau est null.") ;
	if ( dx.length != dy.length )
		throw new IllegalArgumentException("Lengths of arrays different : " + dx.length + " & " + dy.length) ;
 
	this.dx = null ;
	this.dy = null ;
	this.dx = dx ;
	this.dy = dy ;
	}
 
 
 
/** Methode qui lance et gere les differentes etapes de calcul.
 * @param image L'image (la vignette) sur laquelle on doit calculer la matrice.
 * @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 Valeur interdite (du fond) =>
 *  Valeur a ne pas prendre en compte pour les calculs. Si strictement negative, on prend toutes les valeurs en consideration.
 * @param nbCPU Nombre de CPU autorises dans cette classe => Nombre de threads autorises.*/
public void FillMatrix(Image image, ColorReducer reducer, Leveling leveling, int ForbidenValue, int nbCPU)
	{
	if ( image.isColored() ) throw new IllegalArgumentException("Only gray level image supported.") ;
 
	this.image = null ;
	if ( leveling == null ) this.image = reducer.Reduce(image, nbGrayLevel, ForbidenValue) ;
	else this.image = reducer.Reduce(leveling.Filter(image, nbCPU, gauss.Filter(image, nbCPU)), nbGrayLevel, ForbidenValue) ;
	int x, y, i ;
	int max = 0 ;
 
	if ( image.getWidth() > image.getHeight() ) Width = image.getWidth() + 1 ;
	else Width = image.getHeight() + 1 ;
 
	mat = null ;
	mat = new double[nbGrayLevel][Width] ;
	ArraysOperations.SetConstant(mat, 0.0) ; // raz matrix
 
	for (i=0 ; i < dx.length ; i++) FillMatrix(dx[i], dy[i], ForbidenValue) ;
 
	// On trouve la largeur de la matrice.
	for (y=0 ; y < nbGrayLevel ; y++)
		for (x=0 ; x < Width ; x++)
			if ( mat[y][x] > 0.0 && x > max ) max = x ;
 
	// Moyenne
	for (y=0 ; y < nbGrayLevel ; y++)
		for (x=0 ; x < Width ; x++)
			mat[y][x] /= (double)dx.length ;
 
	// On trouve la largeur pour ajuster puis on moyenne
	Width = max + 1 ;
	matrix = null ;
	matrix = new double[nbGrayLevel][Width] ;
	for (y=0 ; y < nbGrayLevel ; y++)
		for (x=0 ; x < Width ; x++)
			matrix[y][x] = mat[y][x] ;
	}
 
 
 
/** Methode qui effectue le remplissage de la matrice Run Length.
 * @param dx Variation de calcul en X.
 * @param dy Variation de calcul en Y.
 * @param ForbidenValue Valeur a exclure des calculs.*/
protected void FillMatrix(int dx, int dy, int ForbidenValue)
	{
	int x, y, x1, y1, v0, nb ;
	int height = image.getHeight() ;
	int width = image.getWidth() ;
	boolean Fin ;
	int[][] tampon = new int[mat.length][mat[0].length] ;
	ArraysOperations.SetConstant(tampon, 0) ; // Initialisation
 
	for (y=0 ; y < height ; y++) // calculs des run length
		for (x=0 ; x < width ; x++)
			{ // pour chaque pixel
			if ( image.Pixel(y, x) == ForbidenValue ) continue ; // On est sur la valeur interdite, donc on sort.
			v0 = image.Pixel(y, x) ;
			nb = 1 ;
			Fin = false ;
			x1 = x ;
			y1 = y ;
			do	{
				x1 += dx ;
				if ( x1 < 0 || x1 >= width ) Fin = true ;
				y1 += dy ;
				if ( y1 < 0 || y1 >= height ) Fin = true ;
				if ( !Fin && image.Pixel(y1, x1) != ForbidenValue && image.Pixel(y1, x1) == v0 ) nb++ ;
				else Fin = true ;
				} while ( !Fin ) ;
 
			tampon[v0][nb]++ ; // on incrémente la matrice
			}
 
	for (y=0 ; y < nbGrayLevel ; y++) // On ajuste pour corriger les erreurs de comptages multiples.
		for (x=1 ; x < Width ; x++)
			tampon[y][x-1] -= tampon[y][x] ;
 
	for (y=0 ; y < nbGrayLevel ; y++) // On met le résultat dans la matrice.
		for (x=1 ; x < Width ; x++)
			mat[y][x-1] += tampon[y][x] ; // On supprime la colonne 0 qui contient que des 0 (aucune chaine de longueur 0).
 
	tampon = null ;
	}
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
/* ------------------------------------------------------ Les getters ------------------------------------------------------ */
/** Methode qui retourne la run length matrix non ajustee.
 * @return Le tableau de double[][] contenant la run length matrix.*/
public double[][] getMatrix()
	{
	return matrix ;
	}
 
/** Tableau d'int contenant les variations de directions en X.
 * @return Direction en X.*/
public int[] getDx()
	{
	return dx ;
	}
 
/** Tableau d'int contenant les variations de directions en Y.
 * @return Direction en Y.*/
public int[] getDy()
	{
	return dy ;
	}
 
public String toString(String Separator)
	{
	StringBuffer sb = new StringBuffer() ;
	for (int j=0 ; j < nbGrayLevel ; j++)
		{
		for (int i=0 ; i < Width ; i++) sb.append(matrix[j][i] + Separator) ;
		sb.append("\n") ;
		}
	return sb.toString() ;
	}
 
public void Display(String Separator)
	{
	System.out.println(toString(Separator)) ;
	}
 
 
}

Le calcul des indices est réalisé par la classe suivante.
Les indices VAR1 et VAR2 sont de ma conception et ont été présentés dans

Citation:

@conference{Thibault09,
Address = {Minsk, Belarus},
Author = {Guillaume Thibault and Bernard Fertil and Claire Navarro and Sandrine Pereira and Pierre Cau and Nicolas Levy and Jean Sequeira and Jean-Luc Mari},
Booktitle = {Pattern Recognition and Information Processing (PRIP)},
Keywords = {Texture features, Texture indexes, Classification, Cell Nuclei, Run length matrix (GLRLM), Size Zone Matrix (GLSZM), WND-CHARM, Homogeneous Texture},
Month = {May},
Pages = {140-145},
Title = {Texture Indexes and Gray Level Size Zone Matrix Application to Cell Nuclei Classification},
Year = {2009}}

Il y a également le calcul des caractéristiques Haralick sur ces matrices, mais cela donne RAREMENT de bons résultats.

Code:

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 ;
	}
 
}

Voici un exemple d'utilisation de ce morceau de code :
Code:

1 2 3 4 5 6 int nbCPU = 2 ; // Le nombre de CPU que vous souhaitez allouer à ce calcul. ColorReducer glr = new GrayLevelReducer() ; // Voir ici : http://www.developpez.net/forums/d911116/autres-langages/algorithmes/contribuez/image-java-reduction-nombre-niveaux-gris/ GlrlmFeatures glrlm = new GlrlmFeatures(32) ; // On spécifie le nombre de niveaux de gris a utiliser lors de l'instanciation. glrlm.Compute(ImageCourante, glr, null, -1, nbCPU) ; // -1 veut dire que tous les pixels de l'image sont pris en compte, sinon mettre la valeur interdite. double[] resultat = glrlm.getFeatures() ;
Dans la méthode Compute, on peut spécifier une couleur a ne pas prendre en compte. Par exemple, s'il s'agit d'une forme segmentée sur un fond noir, alors il faut mettre 0.
Utiliser une valeur négative permet de prendre en compte TOUTE la texture.

22/09/2010, 17h00
ToTo13

Bonjour,

il semblerait que j'avais oublié de mettre à jour cette version des "Run Length Matrix". Et bien voilà qui est fait.
C'est une version plus simple au niveau utilisation/compréhension. J'ai essentiellement externalisé la réduction des niveaux de gris, ajouté la possibilité d'utiliser préalablement des levelings sur l'image à traiter et supprimé les caractéristiques Haralick des caractéristiques car cela ne m'a jamais rien apporté de plus que les moments (d'ordre -2 à 2) déjà disponibles.
23/09/2010, 14h39
Mr.ux

Super :ccool:
Et plus ca marche plutot pas mal... jvais tester de ce pas les GLSZM du coup ;)
Merci !
24/09/2010, 10h08
ToTo13

Citation:

Envoyé par Mr.ux

jvais tester de ce pas les GLSZM du coup ;)

Pour quel type d'application ?
27/09/2010, 10h02
Mr.ux

Citation:

Envoyé par ToTo13

Pour quel type d'application ?

Pour l'instant, sur des textures "théoriques" provenant des bases de Brodatz, Vistex etc... J'envisage de tester/appliquer à des images satelites.
28/09/2010, 10h57
ToTo13

Bonjour,

alors pour Brodatz, j'avais fait des tests et c'est bien les GLRLM qui fonctionnent le mieux et de loin.
Les GLSZM sont très efficaces pour tout ce qui est homogénéité de la texture ou longueur de filaments/zones.
On s'apprête à publier deux nouveaux types de matrices, dont je posterai le code dès que les articles seront acceptés.