图像纹理特征提取方法简介 一：纹理特征提取 图像纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理分析技术一直是计算机视觉、图像处理、图像检索等的活跃研究领域。纹理分析作为诸如上述应用的基础性研究领域之一，其研究内容主要包括：纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状。这些研究内容的一个最基本的问题是纹理特征提取，纹理的微观异构性，复杂性以及应用的广泛性和概念的不明确性给纹理研究带来很大挑战。 纹理特征提取的目标是：提取的纹理特征维数不大、鉴别能力强、稳健性好，提取过程计算量小，能够指导实际运用。 纹理的定义一直为人们所关注，但是图像纹理定义问题至今没有得到圆满的解决，仍然不存在为众人所公认的定义。其中的共识是一：纹理不同于灰度和颜色等图像特征，它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；二：局部纹理信息不同程度的重复性，即全局纹理信息。 二：发展与现状 1966 年，Brodatz 给出了很多纹理图像的例子，即所谓的Brodatz 纹理库，成为后来人们研究纹理的重要来源。 1973 年，Haralic 对纹理的分析和理解以及提出的纹理特征提取方法，为后续的问题研究提供了理论支持和技术积累。Haralic开创性的提出著名的GLCM，它在纹理分析中是一个很好的方法，广泛用于将灰度值转化为纹理信息。 GLCM 算法是建立在估计图像的二阶组合条件概率密度基础上的，GLCM 是描述两个像元在一定角度上，距离上分别具有灰度层 i 和 j 的出现概率，显然 GLCM 是一个对称矩阵，是距离和角度的函数，其阶数由图像中的灰度级决定，由 GLCM 能够导出14 种纹理特征。尽管由 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是应用有限。首先计算 GLCM 很耗时，再者需要提取 14 个纹理特征，其所需时间可想而知。 因此，不断有研究者尝试对其改进。一是通过减少图像的灰度级，可以减少计算量，但是这种做法会损失一定的灰度的空间依赖信息。二是在角度和距离的选择，大部分研究者在应用时，距离一般取1，角度一般选择为0，45，90，135.三是GLCM 的窗口选择。如Soh 通过对不同尺度和方向的GLCM 进行平均来降低计算量。四是研究提取的纹理特征之间的相关性，选择最有鉴别能力的纹理特征。Ulaby 等人研究发现：在基于GLCM 的14 个纹理特征中，仅有4 个特征（对比度、逆差阵，相关性、能...
