图像纹理特征提取方法

安徽大学

本科毕业论文（设计、创作）

题目：图像纹理特征提取方法研究

学生姓名：朱邵成学号：Z01114175

院（系）：电气工程与自动化学院专业：自动化

入学时间：2011年9月

导师姓名：寻丽娜职称/学位：讲师/博士

导师所在单位：安徽大学电气工程与自动化学院

完成时间：2015年5月

图像纹理特征提取方法研究

摘要

近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。

关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab

Study on the extraction method of image texture feature

Abstract

In recent years, along with information multimedia time arrival, as well as network in worldwide scale day by day popular, cloud computation being in fashion, the people are more and more bigger in the daily life work contact information content. The image took the information one kind of carrier, has, the information content intuitively big, is advantageous for the characteristic which between the different country exchanges, is the network multimedia important constituent. Based on the text image retrieval is based on the content image retrieval foundation, with the artificial way explanation pictorial information, its work load we imagines with difficulty, the feasibility is also worth discussing. Therefore CBIR method effective addressing this difficult problem . Based on content image retrieval (CBIR) including four stages, respectively is: Gain image, extraction characteristic, classified image, retrieval image. The image retrieval mainly is a core question: Which one kind of image characteristic selects what algorithm to withdraw, fast effective carries on the image the discrimination and the examination. The texture characteristic extraction is one of CBIR key question, the present paper also is based on the image texture characteristic extraction is a foundation. First, this paper used the co-occurrence matrix based on texture primitive to extract texture feature of image．In this method，it extracted basic texture primitive of image by Local Binary Pattem(LBP), and used co-ccurrence matrix of gray level co-occurrence matrix(GLCM) to analyze the texture primitive image. The method of texture feature extraction based on gray level co-occurrence matrix ( GLCM) was studied. Analyzed the effect of each parameter on constructing the co-occurrence matrix and implemented the feature extraction using Matlab. The analytical results provide valuable reference for creating GLCM better and extracting texture features of specific kinds of images．

Keywords: texture feature；gray level co－occurrence matrix；based on content image retrieval；Matlab

目录

第1章绪论 (1)

1.1 前言 (1)

1.2 研究背景和意义 (1)

1.3 国内外研究现状 (1)

1.4 研究方法 (2)

第2章纹理的概念和表达方式 (3)

2.1 纹理的概念和特征 (3)

2.2 纹理特征的描述方法 (4)

2.2.1 统计分析法 (4)

2.2.1.1 自相关函数 (5)

2.2.1.2 边界频率 (5)

2.2.1.3 灰度共生矩阵法 (5)

2.2.2 频谱法 (6)

2.2.3 结构法 (6)

第3章灰度共生距阵算法的具体分析与实现 (7)

3.1 灰度共生矩阵基本原理和特征 (7)

3.2 灰度共生矩阵的二次统计特征量 (7)

3.3 灰度共生矩阵的Matlab实现 (9)

3.3.1 图像的前期处理 (9)

3.3.2 Matlab实验获取二次统计特征量 (9)

3.4 试验结果分析 (9)

第4章结束语 (11)

主要参考文献 (12)

致谢 (12)

第1章绪论

1.1 前言

随着多媒体技术和互联网的迅速发展，数字图像的容量正以惊人的速度增长，无论是军用还是民用，无论是静态还是动态的，每天都会产生海量的图像信息。近年来大规模图像库的出现，管理、组织和利用图像成为一项亟待解决的技术难题，于是图像检索技术这种能够快速而且准确查找访问图像的技术应运而生。

基于内容的图像检索（CBIR）是20世纪90年代兴起的新技术，其实质是图像特征相似性匹配检索。因其直观、高效、通用等特点，近年来在国际国内均是一个热门研究课题。

1.2 研究背景和意义

随着信息多媒体时代的到来，以及网络在世界范围内的日益流行，云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同年国家间交流的特点，是网路多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，它通过对图像进行手工注解，利用文本检索技术对图像进行关键字检索。然而其文本注解的主观性和不精确性会直接影响检索的可靠性。其工作量我们难以想象，可行性也值得商榷。因此基于内容的图像检索有效解决了这一难题。

CBIR技术一般包括图像获取，特征提取，图像分类，图像检索四个阶段。基于内容的图像检索有两个核心问题：如何能够实现快速有效的图像分类与检索，其关键在于选用哪一种算法提取何种特征；如何建立有效的图像分类识别系统，其关键在于分类算法的选取。纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此纹理是基于内容的图像检索方法中非常重要的一种用于图像描述和分类的特征。目前其在许多重要工作重要领域都有其研究成果，如天气预报，其卫星云图与红外线图提取的纹理特征有很大差异，所以纹理特征可以应用在模式识别领域，作为模式识别的一个重要特征。在地球卫星上拍摄到的地球表面遥感图像大部分纹理特征非常明显，其表面的山川、陆地、沙漠、海洋以及大的城市建筑群都有不同的纹理特点，因此我们可以通过图像的纹理特征对国家的不同区域识别、土地整治、土地沙漠化、城市建筑群分布等宏观进行研究。CBIR 依照其系统所应用的范围，人为的把它分为：商用系统、网络应用系统和研究应用系统三个类别。而基于内容的图像检索系统也有着非常广阔的应用领域，主要应用于知识产权的保护、犯罪与图片过滤、网上图像检索和数字图书馆以及新式视频服务和图像编辑等领域。

1.3 国内外研究现状

图像内容中的纹理特征是当今研究的热点之一。通过几十年的研究，纹理分析取得了很大进步，并产生了许多纹理研究方法，如小波变换、共生矩阵等。这些方法大体可以分为统计分析方法、模型法、频域分析法、结构分析法。其中统计分析法应用最为广泛。

上个世纪70年代以前，常用的纹理提取方法主要是功率谱、自相关函数等一些与灰度出现频率相关的方法，这些方法主要利用一些数字变换对图像进行c操作，而梅雨具体描述或者定义纹理，这对于描述纹理以及区分不同纹理具有很大的局限性。20世纪70年代，最有代表性的是Haralick对纹理的分析和理解以及提出的纹理特征提取方法，为后续的纹理研究提供了理论支持和技术积累。1973年他提出了一个具有重要意义的灰度共生矩阵，他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，将图像像素的灰度值转化为纹理信息，对纹理进行了较为系统的分析和理解。这也是早期出现的基于统计的纹理特征提取方法。20世纪80年代以来，马尔可夫随机场理论为纹理特征提取找到了一个新方向，也是基于模型的纹理特征提取方法的开端，而后相继出现了马尔可夫随机场模型（GMRF）、Gibbs模型、高斯马尔可夫随机场模型、同步自回归模型（SAR）、隐马尔可夫随机场模型（HMRF）、广义马尔可夫随机场模型等。1989年，Mallat首先将小波分析引入纹理分析中，为时频尺度分析纹理提供了一种更为精确而统一的框架。随后，小波理论发展了许多分支，如多进制小波、小波包以及小波框架等等，它们均在图像纹理分析中发挥了积极的作用。近年来，较引人瞩目的是Ojala等人于2002年提出的局部二进制模式（LBJ),其特点在于计算复杂度小，具有多尺度特性和旋转不变形，在纹理检索领域得到应用。随着纹理特征提取方法的研究越来越深入，其应用也越来越广泛，一方面，国内外研究人员对已有的纹理特征提取方法不断进行深入研究，并拓宽其在实际工程领域的应用；另一方面，研究人员致力于对现有纹理提取方法进行融合并对特征指数进行有效筛选，如GLCM与MRF的融合，小波方法与MRF的融合等等；除此之外，研究人员也在不断尝试研究并开拓新的纹理特征提取方法，主要是纹理多尺度特征和旋转不变特征的提取；但是纹理的微观异构性，复杂性以及其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。

迄今为止，已经有一些比较成功的检索系统问世，在一定范围之内，这些系统可以得到一个比较令人满意的效果。现简单介绍几种纹理特征提取方式。

（1）Visual SEEK/WebSEEK：是由哥伦比亚大学所开发，在图像特征方面，采用基于小波变换方法提取纹理特征。

（2）QBIC：IBM公司的QBIC系统的结构包括、：图像入库、特征向量提取和查询。采用Tamura进行纹理特征的描述，特征向量是由其中的粗糙度、对比度和方向性的结合所构成。

（3）NETRA：有加利福利亚大学亚历山大数字图书馆开发。采用基于Gabor滤波器的纹理分析方法对图像进行处理，从而得到纹理特征向量。

1.4 研究方法

1 文献研究法

文献研究法主要指收集、鉴别、整理文献，并通过对文献的研究，形成对事实科学认识的方法。该方法主要用于前期工作。首先，阅读大量的相关特征提取方法，总结各种方

法的优势与不足，对该课题的可行性得以确定。

2 实验测试法

对于纹理特征，代表的分析方法是共生矩阵法，Tammra方法等。利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、熵等七个特征。Tammra提出了与人的视觉感受相关的六个纹理特征，分别是粗糙度、对比度、方向性、线性相似性、规则性和粗略度。

第2章纹理的概念和表达方式

在图像的三大底层特征中，纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此纹理是基于内容的图像检索方法中非常重要的一种用于图像描述和分类的特征。本章首先对纹理的定义及特性做简要介绍，然后对纹理的三类描述方法进行概括，对常用的纹理描述方法做一个

综述。

2.1 纹理的概念和特征

纹理的概念最初起源于人类对物体表面的触感。在此基础上，将触感与人类视觉关联起来，从而成为了一个重要的视觉信息——纹理。具体的可以从以下四个方面进行描述。

1 在邻近的像素点之间存在着亮度层次上的有意义的变化，正是由于这些变化图像中才展现出各种各样的纹理。

2 纹理是图像区域的一个属性，一个像素点的纹理是没有意义的.因此，纹理涉及到上下文，与一个空间邻居关系内的像素的灰度值有关，换句话说，纹理跟图像像素灰度值的空间分布有关.这个空间关系的大小取决于纹理的类型，或者定义纹理的基元的大小。

3 纹理是一个在某种空间尺度大于图像分辨率下的同质(homogeneous)属性，一些研究人员以人的视觉系统来描述纹理：纹理没有始终如一的亮度，但仍然可以被人像同质区域那样所观察到。

4 图像纹理在不同尺度和不同分辨率下都能被感知。例如，考虑一幅砖墙所表示的纹理.在一个粗糙的分辨率下，所观察到的纹理是由墙上个体的砖块所形成，而砖块内部的细节会丢失；在一个高的分辨率下，仅有少量的砖块在视野范围以内，观察到的纹理会显示出砖块的细节。在不同的距离和不同的视觉注意程度下，纹理区域都会给出不同的解释。在一个正常注意力和标准距离下，它给出了用来表征特定纹理的宏观规则性的概念。当近距离非常仔细地观察时，可以注意到一些同质区域和边，它们有时候会构成纹理素(texels)最后，纹理是依赖于尺度的.当一个区域内基元对象的数目足够大时才会被感知为纹理。如果仅有少量的基元数目，那么会被观察为一组可数的对象而不是一幅纹理图像。

对于纹理的特征，纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景

物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

总的来说，纹理有粗糙性、强度、密度、周期性、方向性等描述特性。其中，纹理的粗糙性、周期性、方向性三个特征是人感受最为强烈的视觉特征。同时要注意的是，由于纹理是区域属性，观察的区域大小会影响纹理分析。因此对纹理的研究需要事先确定一定的观察尺度。

2.2 纹理特征的描述方法

图像纹理一直到现在都没有一个一致的、公认的定义，它在图像中是一个重要但是又不太容易描述出来的特征，并且人们在对纹理的认识中存在主观性，为了定量描述图像纹理，所我们需要提取出能代表图像纹理的特征信息。通常情况下，检测图像中的纹理基元，以及纹理基元与周围像素点灰度的惯性是我们进行图像处理提取纹理特征的两个最主要的目的。图像纹理的描述既可以借助于空域性质有可以通过频域性质进行分析，主要是通过研究图像像素灰度的统计特性和空间结构特性来描述图像纹理。我们常用的纹理的表达方法有三种：频谱法、统计法、结构法。但是由于图像纹理特征不是想象中的那么简单，我们在研究过程中可以综合这三种方法，分析比较出更适合的方法，此外图像模型法在一些相对成熟的图像模型中也有应用。

2.2.1 统计分析法

统计分析纹理描述方法是常用的纹理分析方法，也是纹理研究最多最早的一类方法.统计分析方法通过统计图像的空间频率、边界频率以及空间灰度依赖关系等来分析纹理一般来讲，纹理的细致和粗糙程度与空间频率有关.细致的纹理具有高的空间频率，例如布匹的纹理是非常细致的纹理，其基元较小，因而空间频率较高；低的空间频率常常与粗糙的纹理相关，比如大理石纹理一般是粗糙的纹理，其基元较大，具有低的空间频率。因此，我们可以通过度量空间频率来描述纹理.除了空间频率以，每单位面积边界数也是度量纹理

的细致和粗糙程度的另外一种统计方法.边界频率越高说明纹理越精细，相反，低的边界频率与粗糙的纹理息息相关。此外，统计分析方法还从描述空间灰度依赖关系的角度出发来分析和描述图像纹理.常用的统计纹理分析方法有，自相关函数(Autocorrelation Features ) 边界频率(Edge Frequency)，空间灰度依赖矩阵(the Spatial Grey Level Dependence Matrix, SGLDM) 等。相对于结构分析方法，统计分析方法并不刻意去精确描述纹理的结构。从统计学的角度来看，纹理图像是一些复杂的模式，可以通过获得的统计特征集来描述这些模式。

2.2.1.1 自相关函数

自相关函数(Autocorrelation Features } ACF) 就是一种常用的空间频率纹理描述方法。在这个方法中，纹理的空间组织用评价基元间线性空间关系的相关系数来描述。自相关函数是用来度量在给定一个位移下的纹理与原来位置的纹理的相似程度.如果在给定方向下，自相关值下降的越快，那么移动后的纹理与原来的纹理就越不相关，也就是移动后的纹理与原来的纹理越不相似，这说明纹理的基元就很小；反之，如果自相关值下降的越慢，那么移动后的纹理与原来的纹理就越相关，也就是移动后的纹理与原来的纹理越相似，纹理的基元就越大。如果纹理基元较大，当距离增加时，自相关函数的值就会缓慢的减小，然而如果纹理由小基元构成，它就会很快的减小。如果纹理的基元具有周期性，那么自相关函数就会随着距离而周期地变化。

自相关函数纹理分析方法通过计算图像纹理的自相关系数来描述纹理，纹理的自相关系数的变化趋势反映了纹理的粗细程度，然而，对于同样粗糙(细致)但完全不同的两种纹理，它们的自相关系数很可能比较相近，很难将这两种纹理区分开来。

2.2.1.2 边界频率

与自相关函数方法中用空间频率来区分纹理的粗细不同，边界频率认为纹理可以用每单位面积内边界来区分纹理。粗糙的纹理由于局部领域内的灰度相似，并没有太大的变化，因而每单位面积内的边界数会较小；细致的纹理由于局部邻域内的灰度变化较快，所以每单位面积内的边界数会较大。

图像区域的边界频率在一定程度上反映了该区域内纹理的粗细程度，边界频率函数就是从这种思路出发来描述纹理的，这种纹理分析方法的缺点是虽然边界频率能部分反映纹理的微结构信息，但这种描述是粗略的，缺乏微结构形状方面的信息描述。另外，边界频率函数对图像的大小非常敏感，一个改进的办法是用图像的大小去归一化该边界频率函数。

2.2.1.3 灰度共生矩阵法

共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。

一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信

息，它是分析图象的局部模式和它们排列规则的基础。

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：

P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝（1）其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。

对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。

2.2.2 频谱法

心理物理学研究得到证实，人们在观察图像时，大脑对图像进行了频率分析，因此，对图像纹理进行频率分析也是合适的。频谱法是建立在时、频技术与多尺度技术基础之上的纹理分析方法，利用信号处理的方法，主要借助傅里叶变换将空间域的纹理图像变换到频率域中，通过计算峰值处的面积、峰值与原点的距离平方、峰值处的相位、两个峰值间的相角差等来获得在空间域不易获得的纹理特征，如周期、功率谱信息等。通常，傅立叶频谱中突起的峰值对应纹理的主方向信息，峰值在频域平面的位置对应纹理的周期信息，粗纹理的频率分量集中在低频部分，细纹理对应的频率分量集中在高

频部分。常用的频谱法主要包括傅立叶功率谱法、Gabor变换、塔式小波变换、树式小波变换等。

2.2.3 结构法

结构法是把复杂的纹理拆分成许多简单的纹理基元，并且这些简单基元按照某一规律重复排列组合成复杂纹理。根据纹理基元的形状和排列特点分析图像纹理特征的方法统称为结构法，结构分析方法的基本思想是认为复杂的纹理可由一些简单的纹理基元以一定的有规律的形式重复排列组合而成。结构分析法使用形式语言对纹理的排列规则进行描述，这需要计算出纹理基元的偏心度、面积、方向、矩、延伸度等特征，并需要应用模式识别和编译原理中的句法理论。结构分析法需要形态学、离散数学等方法描述纹理基元的立体特征以及排列的规律。结构分析法需要对纹理基元的形态进行描述，所以这种方法在人工纹理研究中应用的比较广泛。结构分析法得到的纹理特征比较清楚，易于检索。但是在自然纹理中，纹理基元的排列没有规律性或者规律性不强，很难对某一个具

体的纹理基元进行描述，建立数学模型，因此在自然纹理中，结构法应用并不广泛，仅仅作为一个研究的辅助手段。

第3章灰度共生距阵算法的具体分析与实现

3.1 灰度共生矩阵基本原理和特征

在第2章中已经简单介绍了灰度共生矩阵的一些信息，现在来具体分析。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。

取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）值，设灰度值的级数为，则（g1，g2）的组合共有k2种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。当a=1，b=0时，像素对是水平的，即0度扫描；当a=1，b=0 时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=-1时，像素对是左对角线，即135度扫描。

这样，两个象素灰度级同时发生的概率，就将（x，y）的空间坐标转化为“灰度对”（g1，g2）的描述，形成了灰度共生矩阵。实验中对灰度共生矩阵进行了如下的归一化：

（2）灰度共生矩阵中元素值相对于主对角线的分布可用离散性来表示，它常常反映纹理的粗细程度。离开主对角线远的元素的归一化值高，即元素的离散性大，也就是说，一定位置关系的两象素间灰度差的比例高。若以|△x|=1或0，|△y|=1或0的位置关系为例，离散性大意味着相邻象素间灰度差大的比例高，说明图像上垂直于该方向的纹理较细；相反，则图像上垂直于该方向上的纹理较粗。当非主对角线上的元素的归一化值全为0时，元素值的离散性最小，即图像上垂直于该方向上不可能出现纹理。灰度共生矩阵中主对角线上的元素是一定位置关系下的两象素同灰度组合出现的次数。由于沿着纹理方向上相近元素的灰度基本相同，垂直纹理方向上相近象素间有较大灰度差的一般规律，因此，这些主对角线元素的大小有助于判别纹理的方向和粗细，对纹理分析起着重要的作用。

3.2 灰度共生矩阵的二次统计特征量

灰度共生矩阵不能反映出纹理特特征，它仅仅反映了图像在变化幅度、角度、一定邻

域的综合信息，因此还需要计算出相关、熵值、对比度、差异等值，用这项特征值来反 映整幅图像的纹理特征。由于各个特征值的物理意义不同，需要给它们相同的权重进行归 一化。

为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种：

纹理能量：

（3）

是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则其能量值小；相反，如果其中一些值大而其它值小，则能量值大。当共生矩阵中元素集中分布时，此时能量值大。其值大表明一种较均一和规则变化的纹理模式。

纹理惯性：

（4）

反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，则其越大。

纹理相关性：

（5）

相关性是度量灰度共生矩阵元素在行或列方向上的相似程度。如果图像在某一方向上的值大于其它方向，那么在这个方向上的纹理性也比其它方向强，因此其可以表示纹理的方向。其中：

∑∑=12),(g 211g g X g g p μ，∑∑=12),(212y g g g g p g μ

∑∑-=12

),()(21212x g g x g g p g μδ

∑∑-=21),()(21222y g g y g g p g μδ （6） 纹理熵：

),(lg ),(21g 21412

g g p g g p Q g ∑∑-= （7）

熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

3.3 灰度共生矩阵的Matlab实现

3.3.1 图像的前期处理

基于灰度共生矩阵的图像纹理特征分析，其实现过程需要经过对图像前期的简单预处理之后才能进行其纹理分析。图像的预处理主要包括图像格式的转换和图像的直方图均衡以及对图像的灰度级压缩三个方面。

图像格式的转换由我们实际获得的图像来转化为灰度级数为256级的图片格式。直方图均衡化是通过灰度变换将一幅图象转换为另一幅均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地砸直方图上分布。这样就可以拥有增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。而对于灰度级压缩，实际情况下一幅图像的灰度级是256级。在研究图像纹理特征的前提下我们需要将原图像的灰度级在不影响其纹理特征的前提下压缩到较小范围，一边减小共生矩阵的尺寸。本实验将图像压缩为16级。

3.3.2 Matlab实验获取二次统计特征量

利用Matlab对进行了图像预处理的图像进行处理，获得其二次统计量。

3.4 试验结果分析

本实验采用了四种不同类型地物的图像，有由Matlab进行实验。实验数据如下：原始图片：

图1：沙地图2：地砖

图3：草地图4：水面格式转化后的灰度图像：

图5：沙地图6：地砖

图7：草地图8：水面由Matlab对图像处理可得到各个图像的二次统计特征量，分别包括能量、熵、惯性矩、相关性和四种二次统计特征量的均值，如表1、表2所示。

由以上实验数据分析可得，地砖地物的能量值较大，纹理较粗。水面的熵值和相关性较小，说明水面图像的局部变化小，同时由于水面图像灰度局部变化小，所以其惯性矩也偏小。草地和沙地图像的各个特征值比较相似，所以会难以区分。

第4章结束语

随着计算机网络技术、云计算、物联网的迅速发展，数字图像技术的广泛应用，对与大规模图像数据库、多媒体信息的有效管理和分类检索已经成为最为图像处理领域最需要解决的问题之一，图像的纹理特征提取以及根据提取的纹理特征对图像就行检索是解决这一纹理的重要方法。

本文主要采用基于统计法的灰度共生矩阵法，运用Matlab提取各种地物的纹理特征并

进行分析,达到了实验预期效果，实现了算法和对各种地物的识别。

主要参考文献：

[1]龚声蓉.基于内容的图像检索方法研究.[D] 北京，北京航空航天大学，2001.

[2]胡昌华，张军波，夏军等.基于MATLAB的系统分析与设计--小波分析[M].西安：西安电子科学技术出版社，2000.

[3]谢菲，陈雷霆，邱航等.基于纹理特征提取的图像分类方法研究及系统实现[J].计算机应用研究,2009.

[1]刘莹.图像纹理的特征提取和分类方法研究[D].华中科技大学,2013.

[2]张伟伟.图像纹理特征提取及分类方法研究[D].天津大学,2012.

[3]田玉敏，乃学尚,高有行等.基于整数小波系数的纹理图像检索方法研究[J].西安电子科技大学学报(自然科学版),2003.

[4]宋琳琳，王相海.小波域颜色和纹理特征提取及图像检索方法研究[J].小型微型计算机系

统,2009.

[5]王晅.图像旋转与尺度变换不变性识别方法研究[D].西安电子科技大学，2008.

[6]刘丽，匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报A，2009.

[7]黄战华，刘正，李金晶等.一种基于多通道Gabor滤波的纹理提取方法[J].仪器仪表学报，2009.

[8]M．Simard,G．Degrandi，K．EB．Thomson．Adaptation of the Wavelet Transform for the Construction of Multiscale Texture Maps of SAR Images．Canadian Journal of Remote Sensing,Sep．1998，24(3)：264-285．

[9]K．Chang，A．Hsu．Image information systems：where do we go from here?IEEE Trans．On Image Processing，V01．2’No．4，PP．429441，Oct．1993．

[10]Hursehka,Harald’Natter,Martin．Comparing performance of feed forward neural nets and K-menas of cluster based market segmentation．European Journal of Operational Research．Volume：114，Issue：2，Aprill 6，1 999，PP：346—353．

致谢

时光匆匆，转眼大学四年的学习生活就要走到尽头。大学四年让我不论在思想、生活、学习上都得到了很大的成长，我要感谢同学和老师在学习和生活中对我的帮助，这四年是充实的四年，在以后的日子里这将是一段美好并值得怀念的记忆。

同时在此我要非常感谢在我的论文写作过程中给我提供支持和帮助的老师、朋友和同学们。特别感谢我的导师寻丽娜老师，在我的论文撰写过程中，从论文的选题、拟定提纲、构思、初稿的修改直至最后的定稿，倾注了大量的心血，提出了众多宝贵意见和建议，给予了精心的指导，让我的论文得以最终完稿。另外，在校图书馆查找资料的时候，图书馆的老师也给我提供了很多方面的支持与帮助。在此向帮助和指导过我的各位老师表示最中心的感谢！

图像颜色特征提取原理

一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:

关于图像特征提取

关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特

图像特征提取总结

图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实

图象视觉特征的提取与表示

第1章图像视觉特征的提取和表示 1.1引言 图像视觉特征的提取和表示是将图像的视觉信息转化成计算机能够识别和处理的定量形式的过程，是基于视觉内容的图像分类与检索的关键技术，因此，图像视觉特征的提取和表示一直是图像内容分析领域中一个非常活跃的课题。 图像底层视觉特征一定程度上能够反映图像的内容，可以描述图像所表达的意义，因此，研究图像底层视觉特征是实现图像分类与检索的第一步。一般来说，随着具体应用的不同，选用的底层特征也应有所不同，在特定的具体应用中，不同底层视觉特征的选取及不同的描述方式，对图像分类与检索的性能有很大的影响。通常认为，一种良好的图像视觉特征的提取和表示应满足以下几个要求： (1)提取简单，时间和空间复杂度低。 (2)区分能力强，对图像视觉内容相似的图像其特征描述之间也应相近，反之，对于视觉内容不相似的图像其特征描述之间应有一定的差别。 (3)与人的视觉感知相近，对人的视觉感觉相近的图像其特征描述之间也相近，对人的视觉感知有差别的图像其特征描述之间也有一定的差别。 (4)抗干扰能力强，鲁棒性好，对图像大小，方向不敏感，具有几何平移，旋转不变性。 本章重点讨论当前比较成熟的特征提取方法，在此基础上选取合适的特征提取方法，用于图像分类与检索系统的特征提取模块。接下来，将依次介绍颜色，纹理，形状等特征的提取和表示方法，最后对各种特征的特点加以比较。 1.2颜色特征的提取和表示 颜色是图像视觉信息的一个重要特征，是图像分类与检索中最为广泛应用的特征之一。一般来说同一类别的图像之间颜色信息具有一定的相似性，不同类别的图像，其颜色信息具有一定的差异。相对几何特征而言，颜色特征稳定性好，有对大小、方向不敏感等特点。因此，颜色特征的提取受到极大重视并得到深入研究。本章首先介绍几种常用的颜色空间模型，然后介绍各种颜色特征提取和表示方法。 1.2.1颜色空间模型 为了正确地使用颜色这一特征，需要建立颜色空间模型，通常的颜色空间模型可用三个基本量来描述，所以建立颜色空间模型就是建立一个3-D坐标系，其中每个空间点都代表某一种颜色。通常来说，对于不同的应用，应该选取不同的颜色空间模型。常用的颜色空间模型主要有：RGB、HIS、HSV、YUV、YIQ、Munsell、Lu*v*和La*b*等。颜色空间模型的选取需要符合一定的标准，下面就这一标准和最常用的颜色空间模型作一些介绍。 文献[错误！未找到引用源。]中介绍了选择颜色空间模型的标准主要有以下几个： (1)观察角度的鲁棒性

图像特征提取方法

图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。

设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的

图像纹理检测与特征提取技术研究综述

龙源期刊网 https://www.sodocs.net/doc/898059219.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期

(完整版)图像特征特点及常用的特征提取与匹配方法

图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩

图像特征提取总结

图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：

直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行

图像特征特点及其常用的特征提取与匹配方法

图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局

图像纹理特征提取方法

安徽大学 本科毕业论文（设计、创作） 题目：图像纹理特征提取方法研究 学生姓名：朱邵成学号：Z01114175 院（系）：电气工程与自动化学院专业：自动化 入学时间：2011年9月 导师姓名：寻丽娜职称/学位：讲师/博士 导师所在单位：安徽大学电气工程与自动化学院 完成时间：2015年5月

图像纹理特征提取方法研究 摘要 近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab

图像纹理特征提取方法

图像纹理特征提取方法

安徽大学 本科毕业论文（设计、创作） 题目：图像纹理特征提取方法研究 学生姓名：朱邵成学号：Z01114175 院（系）：电气工程与自动化学院专业：自动化 入学时间：2011年9月 导师姓名：寻丽娜职称/学位：讲师/博士 导师所在单位：安徽大学电气工程与自动化学院 完成时间：2015年5月

图像纹理特征提取方法研究 摘要 近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab

Gabor纹理特征

利用Gabor滤波器组提取图像纹理特征 本部分将包含以下四个方面：纹理特征提取方法综述、Gabor滤波器简介、Gabor滤波器组实现纹理特征提取的步骤与实现、存在的问题与改进策略。 1、纹理特征提取方法综述[1] 纹理没有准确的定义，但对纹理认识的共识是：①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；②局部纹理信息不同程度的重复性，即全局纹理信息。 按照纹理特征提取方法所基于的基础理论和研究思路的不同，并借鉴非常流行的Tuceryan和Jain的分类方法，将纹理特征提取方法分为四大家族：统计家族、模型家族、信号处理家族和结构家族。 统计家族的方法是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；在模型家族中，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，因此模型参数的估计是该家族方法的核心问题；信号处理的方法是建立在时、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性以及区域间的相异性；结构家族的方法基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元构成，不同类型的纹理基元、不同的方向及数目等，决定了纹理的表现形式。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。各个家族的方法既有区别，又有联系。 利用Gabor滤波器组提取图像纹理特征，如图所示，可以归结为信号处理家族中小波方法的一个分支。

图像特征提取总结

图像常见xx 方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx 与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法： 直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法

（2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色 空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术 将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行 统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏

图像特征提取及识别过程

摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别

ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition

SAR图像纹理特征提取

SAR 图像纹理特征提取 1.基于灰度共生矩阵的纹理特征 灰度共生矩阵表示了灰度的空间依赖关系， 能够很好地反映纹理中灰度级空间相关性的 规律。 灰度共生矩阵被定义为从灰度为的像素点离开某一个固定位置关系的点上的灰度为的 式中，表示集合的势，显然［为L X 的矩阵。若（r 与 间距离为，两者与坐标横轴的夹角为 '，则可以得到各种间距及角度的灰度共生矩阵 ］，'I N I ： o 由于灰度共生矩阵表示了图像中相距 的两个灰度级像素同时出现的联合概 率分布，因此，以灰度共生矩阵为基础的纹理特征是一种有效的纹理表示方法。 灰度共生矩阵不仅是角与相邻分解单元之间的函数， 而且是距离与相邻分解单元之间的 函数。对于距离为的像素i 与像素i,通常有4个角度：0 °、45°、90°、135。。因而得到 4各方向的矩阵。 为了降低运算复杂度， 在计算灰度共生矩阵前， 首先对图像进行直方图规则化， 将灰度 概率（或频度）。它不仅反映灰度的分布特性, 布特性，是有关图像灰度变换的二阶统计特征。 关 于方向、相邻间隔、变换幅度的综合信息， 础。 设【v 为一幅二维数字图像，其大小为 系的灰 度共生矩阵为 也反映了具有同样灰度的像素之间的位置分 一幅图像的灰度共生矩阵能反映出图像灰度 它是分析图像的局部模式和它们排列规则的基 帥蚀黑；像素，灰度级为，则满足一定空间关

级将至16个灰度级，并构造共生矩阵。依据灰度共生矩阵，提出了 14种统计量：角二阶矩、 对比度、相关、均方和、逆差分矩、和平均、和方差、和熵、熵、差方差、差熵、最大相关 系数、两个相关性信息测度。可以只选择某一距离，某一角度的灰度共生矩阵，得到 14种 统计量，也可考虑 4种方向的平均。 2.基于灰度-梯度共生矩阵的纹理特征 灰度共生矩阵虽然能够很好地表示一种纹理模式下的像素灰度的空间关系， 但它并不能 反映边缘信息。灰度-梯度共生矩阵法师灰度级直方图和边缘梯度直方图的结合，它考虑的 是像素级和边缘梯度大小的联合统计分布。灰度 -梯度共生矩阵法提供了区域的边缘信息。 对一幅紂釦矗像素的灰度级为的图像I 八*门1丄丨'：I 1 = 「I — \ I 1 , 采用梯度微分算子求得其梯度图像 c y ，对其进行灰度级离散化，则新的梯度图像为, -梯度共生矩阵为, H j i 定 义 为 集 合 {(Ky)|f(x,y) = ijG(x,y) = J;x = O, 1,2,1^111^ = 0,1, lj.Ni 1}，中元素之数目。 有了灰度-梯度共生矩阵，就可以从中提取 15种数字特征：小梯度优势、大梯度优势、 灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯 度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩。 3?基于非下采样小波分解的纹理特征 金字塔小波分解用于纹理分析是由 Mallat 在其开创性的工作中首次提出的，在此之后， 基于小波分解能量的不同纹理测度纷纷提了出来。非下采样小波变换虽然是以冗余为代价 的，但由于具有平移不变特性，所以能够提供稳定的纹理特征。 利用各分解子图能量特征作为描述其纹理特征的信息测度， 能够使分类目标间的差异更 明显。以每个像素为中心的一个邻域窗的非下采样小波分解的能量值构成了该中心像素的纹 理特征向量。采用 1范数计算其能量测度 : 分别是的最大值和最小值。在梯度图像 & x '基础上，定义灰度

纹理特征

纹理特征 纹理是指存在于图像中某一范围内的形状很小的、半周期性或有规律地排列的图案。在图像判读中使用纹理表示图像的均匀、细致、粗糙等现象。纹理是图像处理和模式识别的主要特征之一。纹理特征是指图像灰度等级的变化，这种变化是与空间统计相关的。图像的纹理特征反应了图像本身的属性，有助于图像的区分。一般的图片都具有丰富、稳定的纹理特征，且利用统计方法方法提取图像的纹理特征具有计算量小的特点。 a.统计法 a)灰度共生矩阵 假定，在一幅图像中规定了一个方向（水平的、垂直的等）和一个距离（一个象素，两个象素等）。那么该物体的共生矩阵P 的第（i,j ）个元素值等于灰度级i 和j 在物体内沿该方向相距该指定距离的两个像素上同时出现的次数，除以M ，其中M 是对P 有贡献的像素对的总数。矩阵P 是N ×N 的，其中N 为灰度阴影级的划分数目。 各个共生矩阵可以通过对距离和方向的各个组合来定义。对矩阵有贡献的像素对的总数M ，比物体内部像素的个数少，而且这个数目随着距离的增加逐渐减少。因此，小物体的矩阵会相当稀疏。由于这个原因，灰度级划分N 常常被减少，例如从256级到8级，以便于共生矩阵的计算。 在水平方向上的共生矩阵，如果考虑当前像素的左右方向上的像素，则称为对称共生矩阵，如果只考虑当前像素的右或左方向上的像素，则称为非对称共生矩阵。 例如，设一幅图像的大小为M ×N ，灰度级为L ，G ＝{0,1,2……., L-1}，f(x,y)是坐标(x,y)处像素的灰度级，一幅图像的一个共生矩阵是一个L ×L 矩阵L L ij t T *][，T 中的元素是图像灰度的空间关系，以及按特定方式表示的两灰度间变化的次数。 我们只考虑水平方向的共生矩阵，则对称共生矩阵的定义如下： ∑∑=== M i N j ij k l t 00 ),(δ (3-2) 式中 ?? ?=-==+=j k l f i k l f j k l f i k l f )1,(,),()1,(,),( ;1),(=k l δ (3-3) 否则 0),(=k l δ (3-4) 当只考虑水平方向的右边的像素，则非对称共生矩阵的定义如下： j k l f i k l f =+=)1,(,),( ;1),(=k l δ (3-5) 否则 ;0),(=k l δ (3-6) 我们得到从灰度级i 到j 变化的概率如下：