提取GLCM特征时按4×4分块计算的算法理解是否正确？

算法理解准确性判断 #

你对该纹理提取算法核心逻辑的理解基本正确，核心的「4×4网格划分→逐块计算GLCM→提取对应纹理属性」流程和论文要求是匹配的，但存在几个需要核对的差异点：

• 你在代码中额外加入了5×5高斯模糊的预处理步骤，需要确认原论文是否有对应的预处理要求，该操作会平滑图像的高频纹理信息，和直接在原图灰度图上提取的特征会存在偏差。
• 你当前使用的是无重叠的网格划分（步长等于块大小4），如果原论文要求采用重叠滑动窗口计算GLCM，当前实现的划分逻辑不符合要求。
• GLCM参数（距离为1、4个计算方向、对称归一化、5个提取属性）如果和论文参数要求一致，这部分实现是正确的。

现有实现的疏漏点 #

1. 边界块兼容问题：当前代码没有做边界块适配，若后续处理非4整数倍尺寸的图像，边缘位置的块尺寸会小于4×4，greycomatrix处理小尺寸块时会输出不符合预期的GLCM矩阵，建议提前对图像做边缘填充/裁剪，保证所有块尺寸统一为4×4。
2. 特征后处理缺失：当前实现仅输出了所有块的特征拼接结果，单张图像的特征维度高达 6144块 × 5属性 × 4方向 = 122880维，维度极高，大概率遗漏了原论文中后续的特征聚合、降维步骤，建议回头核对论文的特征后处理环节。

计算量优化建议 #

• 用numba的@njit装饰器加速双重循环部分，或者改用numpy向量化操作实现块划分和GLCM计算，单进程速度可提升5~15倍。
• 采用多进程并行处理，可直接对900张图像做并行调度，也可对单张图像的块级GLCM计算做并行拆分，算力足够的情况下可将整体处理时间压缩到原来的1/N（N为核心数）。
• 若精度允许，可调整块大小为8×8/16×16，或者增大网格划分步长降低块数量，计算量会成倍下降。

内容的提问来源于stack exchange，提问作者XXDIL