圖像紋理特徵總體簡述
紋理是一種反映圖像中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者週期性變化的表面結構組織排列屬性
紋理具有三大標誌：
- 某種局部序列性不斷重複
- 非隨機排列
- 紋理區域內大致爲均勻的統一體
不同於灰度、顏色等圖像特徵，紋理通過像素及其周圍空間鄰域的灰度分佈來表現，即局部紋理信息。另外，局部紋理信息不同程度上的重複性，就是全局紋理信息。
紋理特徵體現全局特徵的性質的同時，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。
在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難準確地反映出人的視覺感覺不同的紋理之間的差別。例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成“誤導”。
紋理特徵的特點
優點：
- 包含多個像素點的區域中進行統計計算
- 常具有旋轉不變性
對於噪聲有較強的抵抗能力
缺點：當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差
- 有可能受到光照、反射情況的影響
- 從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理
常用的特徵提取與匹配方法
紋理特徵的提取，一般都是通過設定一定大小的窗口，然後從中取得紋理特徵。然而窗口的選擇，存在着矛盾的要求：
- 窗口設定大：紋理是一個區域概念，它必須通過空間上的一致性來體現。觀察窗口取的越大，能檢測出同一性的能力愈強；反之，能力愈弱；
- 窗口設定小：由於不同紋理的邊界對應於區域紋理同一性的躍變，因此爲了準確地定位邊界，要求將觀察窗口取得小一點；
這種情況下，會出現困難是：窗口太小，則會在同一種紋理內部出現誤分割；而分析窗太大，則會在紋理邊界區域出現許多誤分割。
特徵提取方法
- 統計方法
- 幾何法
- 模型法
- 信號處理法
- 結構方法
統計方法
基於像元及其鄰域的灰度屬性,研究紋理區域中的統計特性,或像元及其鄰域內的灰度的一階 、二階或高階統計特性。
算法：
- 灰度共生矩陣(GLCM),關鍵特徵（能量、慣性、熵、相關性）
- 從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數
- 半方差圖，該方法是一種基於變差函數的方法 , 由於變差函數反映圖像數據的隨機性和結構性 , 因而能很好地表達紋理圖像的特徵 。
優勢：
- 方法簡單
- 易於實現
- GLCM方法是公認的有效方法
- 具有較強的適應能力和魯棒性。
缺點：
- 與人類視覺模型脫節,缺少全局信息的利用,難以研究紋理尺度間像素的遺傳或依賴關係
- 缺乏理論支撐
- 計算複雜度很高,制約了其實際應用
幾何法（應用發展受限，後續研究少）
建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認爲，複雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重複排列構成。
算法：
- Voronio棋盤格特徵法
模型法
在模型法中,假設紋理是以某種參數控制的分佈模型方式形成的,從紋理圖像的實現來估計計算模型參數,以參數爲特徵或採用某種分類策略進行圖像分割,因此模型參數的估計是該家族方法的核心問題。
算法（隨機場模型法）：
- 馬爾可夫隨機場（MRF）模型法
- Gibbs隨機場模型法
- 分形模型和自迴歸模型
優勢：
- 能夠兼顧紋理局部的隨機性和整體上的規律性，並且具有很大的靈活性
- 採用隨機場模型法對遙感影像紋理特徵進行描述並在此基礎上進行分割,在很大程度上符合或反映了地學規律
- MRF的主要優點是提供了一種一般而自然的用來表達空間上相關隨機變量之間的相互作用的模型
- ,結合圖像的分層理論,發展了分層MRF方法、多分辨率MRF方法等,不但可以提高處理效率,而且研究紋理尺度間像素的遺傳或依賴關係以取得紋理特徵
缺點：
- 難度大，由於主要是通過模型係數來標識紋理特徵,模型係數的求解有難度
- 速度慢，由於基於MRF模型的紋理圖像分割是一個迭代的優化過程,它由局部到全局的收斂速度很慢(即使條件迭代模式(ICM)能加速尋找解),因而需要很大的計算量,通常需要迭代數百次才能收斂
- 調參難，參數調節不方便,模型不宜複雜
信號處理法
信號處理的方法是建立在時、頻分析與多尺度分析基礎之上,對紋理圖像中某個區域內實行某種變換後,再提取保持相對平穩的特徵值,以此特徵值作爲特徵表示區域內的一致性以及區域間的相異性。
算法：
- 灰度共生矩陣
- Tamura紋理特徵
- 自迴歸紋理模型
- 小波變換
優勢：
- 細尺度分析，對紋理進行多分辨表示,能在更精細的尺度上分析紋理
- 小波符合人類視覺特徵，由此提取的特徵也是有利於紋理圖像分割的;能夠空間/頻域結合分析紋理特徵
不足：
- 對非規則紋理又似乎無能爲力，多應用於標準或規則紋理圖像，對背景複雜的自然圖像效果不佳
- 計算量大
結構方法
結構分析方法認爲紋理是由紋理基元的類型和數目以及基元之間的“重複性”的空間組織結構和排列規則來描述,且紋理基元幾乎具有規範的關係 ,假設紋理圖像的基元可以分離出來,以基元特徵和排列規則進行紋理分割。顯然確定與抽取基本的紋理基元以及研究存在於紋理基元之間的“重複性”結構關係是結構方法要解決的問題。由於結構方法強調紋理的規律性,較適用於分析人造紋理,而真實世界的大量自然紋理通常是不規則的,且結構的變化是頻繁的,因此對該類方法的應用受到很大程度的限制。
算法：
- 句法紋理描述算法
- 數學形態學方法
