1、灰度共生矩陣
圖像的紋理一般具有重複性，紋理單元往往會以一定的規律出現的圖像上，因此這種圖像中一定距離之內往往會有兩兩灰度相同的像素點對，這種特性就適合用灰度共生矩陣表示。
取圖像(N×N)中任意一點 （x，y）及偏離它的另一點 （x+a，y+b），設該點對的灰度值爲（g1，g2）。令點（x，y） 在整個畫面上移動，則會得到各種 （g1，g2）值，設灰度值的級數爲 k，則（g1，g2） 的組合共有 k^2;種。對於整個畫面，統計出每一種（g1，g2）值出現的次數，然後排列成一個方陣，在用（g1，g2） 出現的總次數將它們歸一化爲出現的概率P（g1，g2），這樣的方陣稱爲灰度共生矩陣
如圖表示的即爲角度爲0°，距離爲1，灰度等級爲8級的灰度共生矩陣轉換過程。後續還需要對其進行歸一化。
2、特徵表示
調用cooc_feature_image對應於操作符gen_cooc_matrix和cooc_feature_matrix的連續執行。如果要連續計算共現矩陣的多個方向矩陣，則通過gen_cooc_matrix生成矩陣，然後調用運算符cooc_feature_matrix得到的矩陣更有效。參數方向以角度或“均值”的方式傳遞鄰域的方向。在“平均值”的情況下，平均值是在四個方向上計算的。
如圖爲Halcon文檔cooc_feature_matrix中相關的解釋。
（1）能量：表示灰度共生矩陣中的元素的平方和。能量越大，表示灰度變化比較穩定，反映了紋理變化變化的均勻程度。比如當像素值全部爲1時，對應的共生矩陣中（1，1）有16個，其他爲0，則能量爲16*16，此時能量最大，灰度變化最穩定，因爲都爲0嘛。
（2）相關性：表示紋理在行或者列方向的相似程度。相關性越大，相似性越高。
（3）局部均勻性：反映圖像局部紋理的變化量。值越大，表示圖像局部的變化越小。
（4）反差（對比度）：表示矩陣的值的差異程度，也間接表現了圖像的局部灰度變化幅度。反差值越大，圖像中的紋理深淺越明顯，表示圖像越清晰；反之，則表示圖像越模糊。
根據不同的圖片通過選擇不同的特徵類型及值，即可進行缺陷檢測，篩選出我們需要的區域。
如圖爲過程“detect_mura_defects_texture.hdev”，執行分水嶺閾值後，通過能量（Energy）篩選出來的瑕疵。
