纹理图像纹理特征总体简述种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志:•某种局部序列性不断重复；•非随机排列；•纹理区域内大致为均匀的统一体；不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。参考地址：《图像特征提取（纹理特征）》《纹理特征简介》一.纹理特征的特点•优点：•包含多个像素点的区域中进行统计计算；•常具有旋转不变性；•对于噪声有较强的抵抗能力；•缺点：•当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差;•有可能受到光照、反射情况的影响；•从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理；二纹理特征分类1.基本说明■r£耀魁*廝住忧化FIK总谨器纹理特征的提取，一般都是通过设定一定大小的窗口，然后从中取得纹理特征。然而窗口的选择，存在着矛盾的要求：•窗口设定大：纹理是一个区域概念，它必须通过空间上的一致性来体现。观察窗口取的越大，能检测出同一性的能力愈强；反之，能力愈弱；•窗口设定小：由于不同纹理的边界对应于区域纹理同一性的跃变，因此为了准确地定位边界，要求将观察窗口取得小一点；这种情况下，会出现困难是：窗口太小，贝哙在同一种纹理内部出现误分害0；而分析窗太大，则会在纹理边界区域出现许多误分割。后文介绍纹理特征描述方法时，会从下面四个角度，分别对各方法进行比较：•计算复杂度•是否与人类视觉感受一致纹理特征分类图如下所示:T?机d曲W：；卜帖U訂问呼动宰齣市舸T沟棟亍马耶即矢議星广必拦和費植型讣压嗅即良棗弭塔權型马•虎峻巧世舞施耳他疗■■*讪沱肚舞廿靳空间怪F'—庶■Nfi至険方載詞《t◎犠庁廿『-彳虹学腦寄学毎•是否利用全局信息•是否具有多分辨特性2.纹理特征描述方法按照纹理特征描述方法，可以分为以下几类：(1)统计方法统计方法是基于像素及其邻域的灰度属性，来研究纹理区域的统计特性。统计特性包括像素及其邻域内灰度的一阶、二阶或高阶统计特性等。统计方法的典型代表，是一种被称为灰度共生矩阵(GLCM)的纹理分析方法。它是建立在估计图像的二阶组合条件概率密度基础上的一种方法。这种方法通过实验,研究了共生矩阵中各种统计特性，最后得出灰度共生矩阵中的四个关键特征：能量、惯量、熵和相关性尽管GLCM提取的纹理特征具有较好的鉴别能力，但是这个方法在计算上是昂贵的，尤其是对于像素级的纹理分类更具有局限性。并且，GLCM的计算较为耗时，好在不断有研究人员对其提出改进。其他的统计方法，还包括图像的自相关函数，半方差图等。•优点：•方法简单，易于实现。尤其是灰度共生矩阵(GLCM)方法是公认有效方法，有较强的适应性与鲁棒性；•缺点：•与人类视觉模型脱节，缺少全局信息的利用，难以在研究纹理尺度之间像素的遗传或依赖关系；•缺乏理论支撑；•计算复杂度较高，制约了实际应用。(2)几何法几何法是建立在纹理基元理论基础上的一种纹理特征分析方法，其中的纹理基元即为基本的纹理元素。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元按照一定规律的形式...
