Gri Düzey Eş Oluşum Matrisi (GLCM)

sözlükgörüntü-işleme

Alternatif adlar: Gray-Level Co-occurrence Matrix, Haralick Doku Özellikleri, Eş Oluşum Matrisi

Kısa Tanım

GLCM, bir görüntüdeki mekansal doku bilgisini istatistiksel olarak modelleyen ikinci derece bir doku analizi yöntemidir. Belirli bir yön (theta) ve mesafe (d) parametresi için piksel çiftlerinin gri düzey değerlerinin birlikte görülme sıklığını kaydeden kare bir matristir. Haralick (1973) tarafından önerilmiştir.

Teknik Mantık

N gri düzeyine kuantize edilmiş bir görüntü için GLCM, NxN boyutlu bir matristir. P(i,j|d,theta) elemanı, (i) gri düzeyindeki bir pikselden (d) mesafede ve (theta) yönünde (j) gri düzeyindeki bir pikselin bulunma olasılığını temsil eder. Matris normalize edildikten sonra Haralick doku tanımlayıcıları hesaplanır: kontrast (contrast), korelasyon (correlation), enerji (energy/ASM), homojenlik (homogeneity/IDM), entropi (entropy) ve farklılık (dissimilarity). Genellikle 0, 45, 90 ve 135 derece yönlerinde hesaplanarak ortalaması alınır; bu, yön bağımsızlığı (isotropy) sağlar.

Kullanım Bağlamı

Geleneksel makine öğrenmesi boru hatlarında (SVM, rastgele orman) elle çıkarılan özellik (handcrafted feature) olarak kullanılır. Derin öğrenme öncesi dönemde doku sınıflandırmasının temel aracıydı. Günümüzde derin öğrenme ile birlikte hibrit yaklaşımlarda veya yorumlanabilirlik amacıyla hala değerlidir.

Tarımsal Bağlam

Yaprak yüzey dokusundan hastalık tespiti, toprak yüzey pürüzlülüğü analizi ve tahıl tanesi kalite sınıflandırmasında yaygın kullanılır. Örneğin, buğday tanelerinde Fusarium enfeksiyonunun neden olduğu yüzey doku değişikliği GLCM kontrast ve entropi değerleriyle ayırt edilebilir. Uydu görüntülerinde GLCM doku özellikleri, spektral bantlarla birleştirildiğinde arazi örtüsü sınıflandırma doğruluğunu artırır.

Sık Karıştırılan Nokta

GLCM parametreleri (mesafe d, yön theta, kuantizasyon seviyesi N) sonuçları ciddi biçimde etkiler; ancak bu parametrelerin optimizasyonu sıklıkla ihmal edilir. Ayrıca GLCM birinci derece istatistiklerden (ortalama, varyans, histogram) farklıdır: birinci derece istatistikler mekansal ilişkiyi göz ardı ederken, GLCM komşu pikseller arasındaki ilişkiyi modeller. Bu nedenle aynı histograma sahip iki farklı doku, GLCM ile ayırt edilebilir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği