3.5 纹理特征纹理特征是图像分析中的重要特征，因此成为模式识别中用来辨别图像区域的重要依据，它在图像的分类识别中得到了广泛的应用。纹理特征是一种不依赖于颜色或亮度的、反映图像中同质现象的重要特征，是所有物体表面共有的内在特性，包含了物体表面结构组织排列的重要信息以及与周围环境的联系。纹理的分析识别是图像理解、分析与识别中的重要研究内容之一。如图3-5所示是几个典型物体的纹理图像，由图像可以看出，不同物体的纹理差别是很大的。可见，纹理可以作为一个重要特征用于描述不同物体。
纹理是一种普遍存在的视觉现象，例如：木材表面、草坪、皮肤、织物、水波等都有各自的纹理特征。任何物体的表面，如果一直放大下去，一定会显现出纹理。从心理学的观点考虑，人类观察到的纹理特征包括：均匀性、密度、粗细度、粗糙度、规律性、线性度、定向性、方向性、频率和相位等，并且这些特征是相互联系的。但是，大部分纹理模型表达的是3个方面的纹理测度，即粗糙度、方向性和对比度。人们可以感受到纹理，却很难对纹理的精确定义形成统一的认识。因此，到目前为止，对纹理还没有统一的、确切的定义，通常是根据具体应用的需要而做出不同定义。一幅纹理图像用简单的数学模型表示如下：
（3-35）其中，是位移（或关系）规则，是像素的小区域，它构成了纹理基元（元素）。本身又是输入图像的函数。纹理可用纹理基元的数量和类型以及这些基元的空间组织或排列来描述。纹理的空间组织可能是随机的，也可能一个基元对相邻基元有成对的依赖关系，或者几个基元同时相互关联，而这样的关联可能是结构的、概率的或者是函数的。
纹理分析是指通过一定的图像处理技术，获取图像的纹理特征，从而获得纹理的定量或定性描述的处理过程。因此，纹理分析应包括以下两个方面的内容：1）检测出纹理基元。2）获得有关纹理基元排列分布方式的信息。目前，纹理分析的方法大体可以分为以下几种。1．统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法。Gotlieb和Kreyszig等在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的4个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法则从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。2．几何法几何法是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。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以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio棋盘格特征法和结构法。3．模型法模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫随机场模型法和Gibbs随机场模型法。纹理特征的提取与匹配方法主要有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性4个参数。Tamura纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线性度、规整度和粗略度。自回归纹理模型是马尔可夫随机场模型的一种应用实例。
相关资源：图像纹理分析代码