Анализ текстуры GLCM: исправление инвертированных результатов однородности

% Рассчитываем количество ядер в изображении
nnuclei = max(In(:));
% Инициализируем векторы для хранения извлеченных данных
intensities = zeros(1, nnuclei);
contrasts = zeros(1, nnuclei);
homogeneities = zeros(1, nnuclei);
entropies = zeros(1, nnuclei); % Дополнительный показатель

% Для каждого ядра в изображении
for n = 1:nnuclei
    % Создаем маску для текущего ядра
    nuclei_n = (In == n);
    
    % Извлекаем значения флуоресцентной интенсивности
    nuclei_n_intensities = Idapi(nuclei_n);
    intensities(n) = mean(nuclei_n_intensities);
    
    % Анализ текстуры с использованием МСУС
    L = 64; % Увеличенное количество уровней для лучшего разрешения
    
    % Обрезаем область ядра с отступом
    [min_row,max_row] = deal(find(any(nuclei_n, 2),1,'first'), find(any(nuclei_n, 2),1,'last'));
    [min_col,max_col] = deal(find(any(nuclei_n, 1),1,'first'), find(any(nuclei_n, 1),1,'last'));
    padding = 10;
    min_row = max(1, min_row-padding);
    max_row = min(size(Idapi,1), max_row+padding);
    min_col = max(1, min_col-padding);
    max_col = min(size(Idapi,2), max_col+padding);
    
    In_crop = Idapi(min_row:max_row, min_col:max_col);
    nuclei_n_crop = nuclei_n(min_row:max_row, min_col:max_col);
    
    % Правильно нормализуем интенсивность ядра
    nucleus_pixels = In_crop(nuclei_n_crop);
    if numel(nucleus_pixels) < 100 % Пропускаем маленькие ядра
        contrasts(n) = NaN;
        homogeneities(n) = NaN;
        entropies(n) = NaN;
        continue;
    end
    
    % Используем нормализацию на основе квантилей для сохранения отношений интенсивности
    p_low = prctile(nucleus_pixels, 5);
    p_high = prctile(nucleus_pixels, 95);
    In_normalized = (In_crop - p_low) / (p_high - p_low);
    In_normalized(In_normalized < 0) = 0;
    In_normalized(In_normalized > 1) = 1;
    
    % Квантование с улучшенным методом
    In_q = round(In_normalized * (L-1)) + 1;
    In_q(~nuclei_n_crop) = 0; % Оставляем фон как 0
    
    % Рассчитываем МСУС с использованием встроенной функции для большей точности
    % Используем меньшие расстояния, подходящие для размера ядра
    distances = [1, 2, 3]; % Корректируйте в зависимости от разрешения вашего изображения
    angles = [0, 45, 90, 135]; % Четыре основных направления
    
    glcm_all = zeros(L, L);
    
    for d = distances
        for angle_idx = 1:length(angles)
            angle = angles(angle_idx);
            % Используем встроенный расчет МСУС
            glcm = graycomatrix(In_q, 'Offset', [d*cosd(angle), d*sind(angle)], ...
                              'NumLevels', L, 'GrayLimits', [0 L-1], ...
                              'Nhood', 'symmetric');
            
            % Нормализуем эту МСУС
            glcm = glcm / sum(glcm(:));
            
            % Взвешиваем по расстоянию (близкие пиксели более важны)
            weight = 1 / d;
            glcm_all = glcm_all + weight * glcm;
        end
    end
    
    % Финальная нормализация
    glcm_all = glcm_all / sum(glcm_all(:));
    
    % Извлекаем свойства текстуры
    props = graycoprops(glcm_all, {'Contrast','Homogeneity','Energy','Entropy'});
    contrasts(n) = props.Contrast;
    homogeneities(n) = props.Homogeneity;
    entropies(n) = props.Entropy; % Добавлена энтропия для дополнительной дискриминации
end

function lbp_features = calculate_lbp(image, radius, n_points)
    % Преобразуем в оттенки серого при необходимости
    if size(image, 3) > 1
        image = rgb2gray(image);
    end
    
    % Расчет LBP
    lbp = localbinarypattern(image, n_points, radius, 'uniform');
    
    % Рассчитываем гистограмму
    lbp_hist = histcounts(lbp, 0:n_points);
    lbp_hist = lbp_hist / sum(lbp_hist); % Нормализуем
    
    % Дополнительные статистики
    lbp_features = [mean(lbp), std(lbp), max(lbp_hist), mean(lbp_hist)];
end

function glrlm_features = calculate_glrlm(image, levels)
    % Реализация GLRLM для захвата признаков длины пробега
    % Особенно хороша для зернистой текстуры
    % [Здесь будут детали реализации]
end

function fractal_dim = box_counting(image, scales)
    % Фрактальная размерность методом подсчета ящиков
    % Эффективна для количественной оценки сложности текстуры
    % [Здесь будут детали реализации]
end

function gabor_features = gabor_texture_analysis(image, frequencies, orientations)
    % Реакции фильтров Габора для многошкального, многоориентационного анализа текстуры
    sigma = 4; % Стандартное отклонение гауссова огибающего
    gamma = 0.5; % Пространственное соотношение сторон
    
    gabor_responses = zeros(size(image));
    
    for freq = frequencies
        for theta = orientations
            % Создаем фильтр Габора
            gabor_filter = gabor2d([sigma, sigma], [freq, freq], theta, gamma);
            
            % Применяем фильтр
            filtered_img = imfilter(double(image), gabor_filter, 'replicate');
            
            % Сохраняем статистику реакции
            gabor_responses = gabor_responses + abs(filtered_img);
        end
    end
    
    gabor_features = [mean(gabor_responses(:)), std(gabor_responses(:)), ...
                     max(gabor_responses(:)), mean2(gabor_responses)];
end