影像紋理分析 (Image Texture Analysis)
除了強度和形狀，紋理 (Texture) 描述了像素鄰域內的空間強度變化模式，如粗糙、平滑、規律等。
本單元介紹紋理分析的基本概念，並以灰階共生矩陣 (Gray-Level Co-occurrence Matrix, GLCM) 為例，用 ImageJ/Fiji 實作 MRI 腦組織分析案例，分析灰白質的紋理特徵。
什麼是影像紋理？
影像紋理是指影像中像素灰階分佈的局部變化模式。它不是描述單一像素，而是描述像素與其周圍鄰居的空間關係。這些模式可以被量化為特徵，例如：
- 粗糙 vs. 平滑 (Rough vs. Smooth)
- 規律 vs. 隨機 (Regular vs. Random)
紋理特徵能夠補充形狀與強度資訊，是生醫影像分析中量化影像細微變化的重要工具。
紋理分析的理論基礎
紋理分析的核心是量化影像中像素間的「灰階關係」，通常從以下角度描述：
- 灰階差異大小（對比度）
- 紋理的規律程度（均勻性）
- 資訊豐富程度（熵）
- 能量分佈（能量或二階矩）
紋理分析的應用
紋理分析在醫學影像中應用廣泛，能輔助電腦進行診斷與分類：
- 腫瘤診斷： 利用紋理特徵判斷腫瘤的良惡性（例如 MRI、超音波影像）。惡性腫瘤的紋理通常更不均勻、更複雜。
- 組織分類： 區分不同類型的生物組織（如肌肉、脂肪、纖維組織）。
- 疾病預測與分期： 透過紋理變化預測疾病進程（如肝臟纖維化程度）。
- 醫學影像輔助診斷 (CAD)： 作為機器學習、深度學習模型的重要特徵來源。
GLCM（灰階共生矩陣）
GLCM 是什麼？
GLCM互動範例
灰階共生矩陣 (Gray-Level Co-occurrence Matrix, GLCM) 是最經典的紋理分析統計方法。它透過一個矩陣來描述影像中像素的空間關係。這個矩陣記錄了在特定方向 (Angle) 和距離 (Distance) 下，成對像素的灰階值共同出現的頻率。
舉例來說，當設定 方向=0°、距離=1 時，GLCM 統計的就是影像中每個像素與其正右方相鄰像素的灰階值組合出現了幾次。
GLCM 計算範例
假設有一張 \(3 \times 3\) 的灰階影像如下：
|
|
|
| 100 |
100 |
101 |
| 100 |
101 |
102 |
| 101 |
102 |
102 |
這裡的灰階值只有：100、101、102。
1. 設定計算條件
只考慮每個像素與右邊像素的組合關係。
2. 找出像素對
從影像中列出右側鄰居的像素對：
- (100, 100)
- (100, 101)
- (100, 101)
- (101, 102)
- (101, 102)
3. 建立 GLCM
列出灰階對應次數：
| i\j |
100 |
101 |
102 |
| 100 |
1 |
2 |
0 |
| 101 |
0 |
0 |
2 |
| 102 |
0 |
0 |
0 |
4. 正規化 GLCM
將所有出現次數除以總像素對數（5 對）：
| i\j |
100 |
101 |
102 |
| 100 |
0.2 |
0.4 |
0 |
| 101 |
0 |
0 |
0.4 |
| 102 |
0 |
0 |
0 |
5. 計算特徵量
(1) Contrast（對比度）
\[
Contrast = \sum_{i,j} (i-j)^2 \times P(i,j)
\]
計算各元素：
- (100,100): \((100-100)^2 \times 0.2 = 0\)
- (100,101): \((100-101)^2 \times 0.4 = 1 \times 0.4 = 0.4\)
- (101,102): \((101-102)^2 \times 0.4 = 1 \times 0.4 = 0.4\)
加總：
\[
Contrast = 0 + 0.4 + 0.4 = 0.8
\]
(2) Homogeneity（均勻性）
\[
Homogeneity = \sum_{i,j} \frac{P(i,j)}{1 + |i-j|}
\]
計算各元素：
- (100,100): \(\frac{0.2}{1+0} = 0.2\)
- (100,101): \(\frac{0.4}{1+1} = 0.2\)
- (101,102): \(\frac{0.4}{1+1} = 0.2\)
加總：
\[
Homogeneity = 0.2 + 0.2 + 0.2 = 0.6
\]
(3) Entropy（熵）
\[
Entropy = -\sum_{i,j} P(i,j) \log_2(P(i,j))
\]
計算各元素（取對數基底 2）：
- (100,100): \(-0.2 \times \log_2(0.2) \approx 0.464\)
- (100,101): \(-0.4 \times \log_2(0.4) \approx 0.528\)
- (101,102): \(-0.4 \times \log_2(0.4) \approx 0.528\)
加總：
\[
Entropy \approx 0.464 + 0.528 + 0.528 = 1.52
\]
小結
這張小影像的 GLCM 特徵是：
| 特徵 |
數值 |
| Contrast |
0.8 |
| Homogeneity |
0.6 |
| Entropy |
1.52 |
使用imagej
分析案例：量化灰質與白質的結構特徵
- 背景知識：
- 灰質 (Gray Matter): 主要由神經元胞體、樹突等組成。其結構相對異質、複雜。
- 白質 (White Matter): 主要由密集、平行排列的髓鞘化神經纖維束構成。其結構相對均質、有序。
- 分析假設：
- 灰質的紋理應該更粗糙 (低均質性, 高對比度)。
- 白質的紋理應該更平滑 (高均質性, 低對比度)。
操作步驟
準備工作
- 開啟影像： 開啟範例影像
File > Open Samples > T1 Head (2.4M, 16-bits)。
- 開啟 ROI 管理器： 執行
Analyze > Tools > ROI Manager...。
- 開啟Macro 在Text Window貼上以下Macro
macro "Main" {
step = 1;
calculateASM = true;
calculateContrast = true;
calculateCorrelation = true;
calculateIDM = true;
calculateEntropy = true;
run("Clear Results");
n = roiManager("count");
if (n == 0) exit("ROI Manager 中沒有 ROI");
for (i = 0; i < n; i++) {
roiManager("select", i);
GLCM_Texture_Macro(i, step, calculateASM, calculateContrast, calculateCorrelation, calculateIDM, calculateEntropy);
}
print("GLCM Texture analysis done for " + n + " ROIs.");
}
function GLCM_Texture_Macro(roiIndex, step, doASM, doContrast, doCorrelation, doIDM, doEntropy) {
if (bitDepth() != 8) {
exit("僅支援8-bit灰階影像");
}
getSelectionBounds(x, y, w, h);
pixels = newArray(w * h);
idx = 0;
for (yy = y; yy < y + h; yy++) {
for (xx = x; xx < x + w; xx++) {
pixels[idx] = getPixel(xx, yy);
idx++;
}
}
size = 257;
glcm = newArray(size * size);
Array.fill(glcm, 0);
pixelCounter = 0;
// 0度方向 GLCM
for (row = 0; row < h; row++) {
for (col = 0; col < w - step; col++) {
a = pixels[row * w + col];
b = pixels[row * w + col + step];
index1 = a * size + b;
index2 = b * size + a;
glcm[index1] += 1;
glcm[index2] += 1;
pixelCounter += 2;
}
}
for (i = 0; i < size * size; i++) {
glcm[i] /= pixelCounter;
}
asm = 0;
contrast = 0;
correlation = 0;
IDM = 0;
entropy = 0;
px = 0;
py = 0;
for (a = 0; a < size; a++) {
for (b = 0; b < size; b++) {
val = glcm[a * size + b];
px += a * val;
py += b * val;
}
}
stdevx = 0;
stdevy = 0;
for (a = 0; a < size; a++) {
for (b = 0; b < size; b++) {
val = glcm[a * size + b];
stdevx += (a - px) * (a - px) * val;
stdevy += (b - py) * (b - py) * val;
}
}
for (a = 0; a < size; a++) {
for (b = 0; b < size; b++) {
val = glcm[a * size + b];
asm += val * val;
contrast += (a - b) * (a - b) * val;
if (stdevx != 0 && stdevy != 0) {
correlation += ((a - px) * (b - py) * val) / (stdevx * stdevy);
}
IDM += val / (1 + (a - b) * (a - b));
if (val > 0) {
entropy -= val * log(val);
}
}
}
nRows = nResults();
setResult("ROI Index", nRows, roiIndex + 1);
setResult("Step size", nRows, step);
setResult("ROI Name", nRows, Roi.getName);
setResult("Angular Second Moment", nRows, asm);
setResult("Contrast", nRows, contrast);
setResult("Correlation", nRows, correlation);
setResult("Inverse Difference Moment", nRows, IDM);
setResult("Entropy", nRows, entropy);
updateResults();
print("ROI " + (roiIndex + 1) + " GLCM features:");
print(" ASM = " + asm);
print(" Contrast = " + contrast);
print(" Correlation = " + correlation);
print(" IDM = " + IDM);
print(" Entropy = " + entropy);
}
選取ROI Selection
我們需要在典型的灰質和白質區域手動定義幾個 ROI 以進行比較。
- 瀏覽影像堆疊，找到一個腦部結構清晰的切片，然後做
Image › Duplicate...，複製其中一張影像。
- GLCM 的計算需要灰階影像，將影像轉換為 8 位灰階影像：
Image > Type > 8-bit。
- 從 ImageJ 主工具列選擇 自由選取工具 (freehand Selection)。
- 定義灰質 ROI:
- 在一個大片的、均勻的灰質區域內，畫一個大小適中的橢圓。
- 在 ROI manager中點擊
Add [t]，然後點擊 Rename... 將其命名為 grey。
- 定義白質 ROI:
- 先在ROI manager選擇 grey的ROI，然後按鍵盤的方向鍵，將這個區域移動到白質區域。
- 加入 ROI 管理器並命名為
white。
- 執行Macro的GLCM 分析，就會分析ROI manager的每一個ROI，並寫入Result。
結果解讀與結論
觀察表格，這些數據是否符合我們對灰白質的主觀感受？白質的紋理確實比灰質更平滑、更均質，而灰質的紋理則更粗糙、更複雜。
| 特徵名 |
英文 |
意義 |
解讀 |
| 角秒矩 |
Angular Second Moment (ASM) |
衡量紋理的均勻性或一致性 |
值越高表示紋理越規則、均勻。 |
| 對比度 |
Contrast |
鄰近像素間灰階差異的加權總和，反映影像紋理的「粗糙程度」 |
高對比＝紋理粗糙 |
| 相關性 |
Correlation |
衡量像素間灰階的線性相關性 |
值高表示像素間關係有序、噪音少。 |
| 反差異矩 |
Inverse Difference Moment (IDM) / Homogeneity |
鄰近像素灰階越接近得分越高 |
值高表示像素強度相似，紋理平滑。 |
| 熵 |
Entropy |
量化灰階分佈的隨機性，GLCM元素的平方和 |
數值高表示紋理複雜、無序。 |
