纹理 xx 方法
发展
1973年，Haralick在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利 用问题时，开创性地提出著名的 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。此外，这个阶段出现的方法主要还有灰度行 程长度法、灰度差分统计法，自回归模型法等，这些方法在纹理分类中有一定 效果，但是这些方法的后继研究很少，在实际应用中也较少采用
从20世纪80年代以来，MRF理论在纹理分析中掀起一阵热潮..，为纹理特 征提取找到了一个新的方向，尔后相继出现了
MRF模型、Gibbs模型、高斯马
尔可夫随机场（GMRF模型、同步自回归模型（SAR）隐马尔可夫随机场模型 （HMRF）广义MRF模型和多分辨率MRF等等。同时，分形理论也为提取纹理特 征注入了新的活力。1984年，Pentland等人在这方面做了开创性的工作，指出 分形模型非常适用于描述纹理图像。后来更多学者将分形用于纹理分类，以分 数维来描述图像区域的纹理特征。其中引人瞩目的是
Chaudhuri和Sarker提出了
差分计盒算法，这是一种简单、快速、精度高的分形维数计算方法。也是目前 用得较多的一种方法。随后，Kapan等提出了非常吸引人的扩展分形特征。
90 年代以后随着小波理论的发展，小波在纹理特征提取中的应用也不断发 展。 近年来，较引人瞩目的是ojala等于2002年提出的局部二进制模式（LBP， 该方法分析纹理的吸引人的地方在于其计算复杂度小，具有多尺度特性和旋转 不变特性，在纹理检索领域得到应用。
纹理是图像分析中常用的概念，指的是图像像素的灰度或者颜色的某种变 化。 纹理特征，这里指得是利用计算机技术从数字图像中计算出来的可以定量 描述人对纹理的定性的感知的某些参数，它对区域内部灰度变化或者色彩变化 的某种规律进行量化，这些纹理特征能够尽可能地缩小纹理的类内差距，同时 尽可能增大纹理的类间差距
方法分类 1. 统计家族（
基于像元及其邻域的灰度属性，研究纹理区域中的统计特性，或像元及其 邻域内的灰度的一阶、二阶或高阶统计特性）
（1） GLCM（灰度共生矩阵）：
该方法是建立在估计图像的二阶组合条件概率密度基础上 （ 2）半方差：
该方法是一种基于变差函数的方法，由于变差函数反映图像数据的随机性 和结构性。因而能很好地表达纹理图像的特征
（3） LBP（局部二值模式） 2. 模型家族（
，假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现 来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割）
（ 1 ）随机场模型（随机场模型方法试图以概率模型来描述纹理的随机过 程，它们对随机数据或随机特征进行统计运算估计纹理模型的参数，然后对一 系列的模型参数进行聚类，形成和纹理类型数一致的数类模型参数；由估计的 模型参数对灰度图像可以进行逐点的最大后验概率估计，确定像素及其邻域情 况下该像素点最可能归属的概率。随机场模型实质上是描述图像中像素对其邻 域像素的统计依赖关系，其中最重要的、应用最广泛的是 MRF模型。）a.
b.自回归模型（SAR
（2） 分形模型（分数维作为分形的重要特征和度量，把图像的空间信息和 灰度信息简单而又有机地结合起来）
a. 分数布朗运动（FBM）模型 b. 自相似（ESS模型
MRF
3. 信号处理家族（
在时、频分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种 变换后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一 致以及区域间的相异性。信号处理家族的方法从变换域提取纹理特征，其他 3 个家族直接从图像域提取纹理特征）
（1）数字图像变换方法 a. 局部xx变换 b. 离散xx变换 c. 局部沃尔什变换 d. 离散K-L变换 （2）小波变换方法 a.
Gabor 滤波方法：
该方法以 “纹理是窄带信号 ”为基础的，其主要思想是：
不同纹理一般具有不同的中心频率及带宽，根据这些频率和带宽可以设计 一组Gabor滤波器对纹理图像进行滤波，每个 Gabor滤波器只允许与其频率相 对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果 中分析和提取纹理特征，用于尔后的分类或分割任务。
b. 小波方法：
首先借助正交小波对图像进行小波分解，得到不同分辨率的一系列图像。 分辨率越低，具有的是原图像上越低频的信息。与此同时，每种分辨率的 图像由代表不同方向信息的一系列高频子带图像组成，使用小波高频子带特征 的目的在于它们可以反映图像的纹理特性。
纹理特征提取方法
