紋理是一種反映圖像中同質現象的視覺特征，它體現了物體表面的具有緩慢變化或者周期性變化的表面結構組織排列屬性。
紋理具有三大標志：某種局部序列性不斷重復；非隨機排列；紋理區域內大致為均勻的統一體。
紋理通過像素及其周圍空間鄰域的灰度分布來表現，即局部紋理信息。局部紋理信息不同程度的重復性，即全局紋理信息。
一幅圖像的紋理是在圖像計算中經過量化的圖像特征。圖像紋理描述圖像或其中小塊區域的空間顏色分布和光強分布。
紋理特征可以分為四種類型：
（1）統計型紋理特征
基於像元及其鄰域內的灰度屬性，研究紋理區域中的統計特征，或者像元及其鄰域內灰度的一階、二階或者高階統計特征。
統計型紋理特征中以GLCM（灰度共生矩陣）為主，它是建立在估計圖像的二階組合條件概率密度基礎上的一種方法。對於一幅圖像定義一個方向（orientation）和一個以pixel為單位的步長(step)，灰度共生矩陣T（N×N），則定義M(i,j)為灰度級為i和j的像素同時出現在一個點和沿所定義的方向跨度步長的點上的頻率。其中N是灰度級划分數目。由於共生矩陣有方向和步長的組合定義，而決定頻率的一個因素是對矩陣有貢獻的像素數目，而這個數目要比總共數目少，且隨着步長的增加而減少。因此所得到的共生矩陣是一個稀疏矩陣，所以灰度級划分N常常減少到8級。如在水平方向上計算左右方向上像素的共生矩陣，則為對稱共生矩陣。類似的，如果僅考慮當前像素單方向（左或右）上的像素，則稱為非對稱共生矩陣。盡管GLCM提取的紋理特征具有較好的鑒別能力，但是這個方法在計算上是昂貴的，尤其是對於像素級的紋理分類更具有局限性。
（2）模型型紋理特征
假設紋理是以某種參數控制的分布模型方式形成的，從紋理圖像的實現來估計計算模型參數，以參數為特征或采用某種策略進行圖像分割。
模型型紋理特征提取方法以隨機場方法和分形方法為主。
隨機場模型方法：試圖以概率模型來描述紋理的隨機過程，它們對隨機數據或隨機特征進行統計運算，進而估計紋理模型的參數，然后對一系列的模型參數進行聚類，形成和紋理類型數一致的模型參數。由估計的模型參數來對灰度圖像進行逐點的最大后驗概率估計，確定像素及其鄰域情況下該像素點最可能歸屬的概率。隨機場模型實際上描述了圖像中像素對鄰域像素的統計依賴關系。
分形模型方法：分數維作為分形的重要特征和度量，把圖像的空間信息和灰度信息簡單而又有機的結合起來，因而在圖像處理中備受人們的關注。分數維在圖像處理中的應用時以兩點為基礎：（a）自然界中不同種類的形態物質一般具有不同的分形維；（b）自然界中的分形與圖像的灰度表示之間存在着一定的對應關系。研究表明，人類視覺系統對於粗糙度和凹凸性的感受與分形維數之間有着非常密切的聯系。因此，可以用圖像區域的分形維數來描述圖像區域的紋理特征。分形維描述紋理的核心問題是如何准確地估計分形維。
（3）信號處理型紋理特征
建立在時域、頻域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之后，再提取保持相對平穩的特征值，以此特征值作為特征表示區域內的一致性以及區域間的相異性。
信號處理類的紋理特征主要是利用某種線性變換、濾波器或者濾波器組將紋理轉換到變換域，然后應用某種能量准則提取紋理特征。因此，基於信號處理的方法也稱之為濾波方法。大多數信號處理方法的提出，都基於這樣一個假設：頻域的能量分布能夠鑒別紋理。
一種方向性紋理織物疵點的檢測方法
織物疵點檢測的方法有很多，其中與人視覺功能相似的小波和Gabor濾波器是近年來提出的兩個重要的方法，兩者都有多尺度、多分辨率的特性，適用於針對不同特征的疵點檢測。Gabor濾波器作為一種方向性濾波器，在時域和頻域都有着很好的局部性，適合用於具有方向的紋理檢測。由於布匹紋理有斜紋理和水平垂直紋理兩大類，因此，在紋理方向不同的情況下，用一個方向的Gabor濾波器將導致檢測結果不佳，而用多個方向的Gabor濾波器進行濾波則會降低算法的實時性。最好的解決方法是讓濾波器一開始就獲得紋理方向，Hough變換便可以解決這個問題。Hough變換在織物紋理分析中，可針對已有的織物疵點圖像，用於紋理的校正和測量織物紋理的能量主方向。本文提出一種針對方向性紋理的織物疵點檢測方法。
首先，利用Hough獲取織物的紋理主方向及其正交方向，由Gabor濾波器沿着這兩個方向分別進行濾波，取模值圖像為輸出；
然后，應用最大熵對兩個輸出模值圖像進行二值化分割，融合這兩個分割后的圖像並進行形態學處理和去除孤立點；
最后，得到疵點圖像檢測結果。
算法針對紋理性疵點如缺經、斷緯，具有良好的效果；但針對破洞和油污這兩類非紋理性的疵點，檢測效果則比較一般。原因在於破洞疵點的內部有着稀疏的紋理變化對Gabor濾波器的濾波產生了干擾，而油污在方向上掩蓋了原有的紋理。
（4）結構型紋理特征
基於“紋理基元”分析紋理特征，着力找到紋理基元，認為紋理由許多紋理基元構成，不同類型的紋理基元、不同的方向及數目，決定了紋理的表現形式。基於結構的紋理特征提取方法是將所要檢測的紋理進行建模，在圖像中搜索重復的模式。該方法對人工合成的紋理識別效果較好。但對於交通圖像中的紋理識別，基於統計數據的方法效果更好。
LBP紋理特征
LBP方法（Local binary patterns 局部二值模式）是一個計算機視覺中用於圖像特征分類的一個方法。
提取LBP特征向量步驟：
（1）將檢測窗口划分為16×16的小區域（cell），對於每個cell中的一個像素，將其環形鄰域內的8個點進行順時針或逆時針的比較，如果中心像素值比該鄰點大，則將鄰點賦值為1，否則賦值為0，這樣每個點都會獲得一個8位二進制數（通常轉換為十進制數）。
（2）計算每個cell的直方圖，即每個數字（假定是十進制數）出現的頻率，然后對該直方圖進行歸一化處理。
（3）將得到的每個cell的統計直方圖進行連接，就得到了整幅圖的LBP紋理特征，然后便可利用SVM或者其他機器學習算法進行分類了。