Python+OpenCV实战：用灰度共生矩阵(GLCM)分析医学影像纹理特征

Python+OpenCV实战：用灰度共生矩阵(GLCM)深度解析医学影像纹理

在医学影像分析领域，我们常常需要超越人眼，去量化那些看似“感觉”到的组织特性——比如肝脏的粗糙度、肺结节的异质性，或是肿瘤边界的模糊程度。这些特性，在图像处理中统称为“纹理”。对于CT、MRI等影像，纹理特征不仅是像素灰度的简单统计，更是像素间空间关系的复杂表达，它蕴含着组织微观结构、生理状态乃至病理变化的宝贵信息。作为一名医学图像处理工程师或AI医疗开发者，掌握一种能够精准捕捉并量化这些空间关系的方法，是从“看图像”走向“读数据”的关键一步。

灰度共生矩阵（GLCM）正是这样一把钥匙。它不像深度学习那样是个“黑箱”，而是基于严谨的统计原理，将图像的纹理模式转化为可计算的矩阵，进而衍生出一系列具有明确物理意义的特征值。本文不会重复那些教科书上的理论推导，我们将直接切入实战。我将结合Python和OpenCV，手把手带你构建一套从原始DICOM图像到GLCM特征向量的完整分析流程。重点会放在那些真正困扰实践者的核心问题上：面对一张具体的肝脏CT图像，我该如何选择那个神秘的距离d和角度θ？计算出来的角二阶矩（ASM） 是0.15，这个数字到底意味着组织是均匀的还是粗糙的？熵（ENT） 的大小与肿瘤的恶性程度有怎样的潜在关联？我们将通过具体的代码、真实的医学影像案例（已脱敏）和深入的解读，让GLCM从数学公式变成你诊断辅助或研究分析中的得力工具。

1. 理解GLCM：超越像素的统计视角

在开始写代码之前，我们需要在概念层面重新认识一下GLCM。很多人把它理解为一个复杂的数学变换，但实际上，它的核心思想非常直观：描述一对像素“结伴出现”的规律。

想象一下，你正在观察一片森林的航拍图。如果这片森林是人工种植的整齐杉树林，那么你在一个像素点看到“深绿色”（代表树冠）时，它右边紧邻的像素点极有可能也是“深绿色”。这种“深绿-深绿”的组合会频繁出现。反之，如果是一片原始杂木林，树冠大小、间距不一，“深绿-浅绿”（树冠与间隙）或“深绿-中绿”的组合会更加多样。GLCM做的就是这件事——它统计整幅图像中，所有满足特定空间关系（比如，右边1个像素）的像素对，其灰度值组合（i, j）出现的频率。

这个“特定的空间关系”，就是由参数d（距离）和θ（角度）定义的。d=1, θ=0° 表示统计每个像素与其正右方相邻像素的灰度对。通过改变d和θ，我们可以捕捉不同尺度、不同方向上的纹理模式。例如，分析肌肉纤维的走向可能需要关注特定角度；而分析脂肪浸润的粗糙度，可能需要一个较小的d来捕捉细微变化。

生成的GLCM本身是一个方阵，其行和列索引分别代表像素对中第一个像素（参考像素）和第二个像素（邻居像素）的灰度级。如果我们将图像灰度级量化为8级（0-7），那么GLCM就是一个8x8的矩阵。矩阵中元素P(i, j)的值，就代表了灰度组合(i, j)出现的概率（归一化后）。

注意：在医学影像中，直接使用原始HU值（CT）或信号强度（MRI）作为灰度级通常范围太大（如-1000到+3000），直接计算GLCM会导致矩阵稀疏且计算量大。因此，灰度级量化是必不可少的前置步骤，通常将灰度范围重新映射到8、16、32或64级。这个量化级数也是一个重要参数，会影响特征的敏感性。

为了更直观地理解不同纹理对应的GLCM差异，我们可以看一个简单的对比：