紋理
紋理特征反映了物體本身的屬性，有助於將兩種不同的物體（或者兩幅圖像）區別開來。
紋理是圖像像素點灰度級或顏色的某種變化，反復出現紋理基元和它的排列規則，而且這種變化是空間統計相關的。構成紋理特征的兩個要素：
1.紋理基元：由一定的形狀和大小多種圖像基元的組合叫紋理基元。
2.紋理是由紋理基元排列組合而成的。基元排列的疏密，周期性，方向性等的不同，能使圖像的外觀產生極大地改變。
紋理分析
紋理分析的目的：指通過一定的圖像處理技術提取出紋理特征參數,從而獲得紋理的定量或定性描述的處理過程。
紋理分析：
檢測出紋理基元；獲得有關基元排列分布方式的信息
指通過一定的圖像處理技術抽取出紋理特征，獲得紋理的定量或定性描述的處理過程。它首先從像素出發，檢測出紋理基元，並找到紋理基元排列的信息，建立紋理基元模型。
紋理分析方法：
常用的紋理特征提取方法一般分為四大類：
1.基於統計的方法：灰度共生矩陣、灰度行程統計、灰度差分統計、局部灰度統計、半方差圖、自相關函數等
優點：方法簡單，易於實現。
缺點：無法利用全局信息，與人類視覺模型不匹配；計算復雜度較高，計算耗時。
較為經典的算法為灰度共生矩陣方法，其通過統計不同灰度值對的共現頻率得到灰度共生矩陣，基於矩陣可計算出14種統計量：能量、熵、對比度、均勻性、相關性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相關信息測度以及最大相關系數。
灰度梯度共生矩陣將圖梯度信息加入到灰度共生矩陣中，綜合利用圖像的灰度與梯度信息，效果更好。圖像的梯度信息一般通過梯度算子(也稱邊緣檢測算子)提取，如sobel、canny、reborts等。
2.基於模型的方法：同步自回歸模型、馬爾可夫模型、吉布斯模型、滑動平均模型、復雜網絡模型等
3.基於結構的方法：句法紋理分析、數學形態學法、Laws紋理測量、特征濾波器等
4.基於信號處理的方法：Radon變換、離散余弦變換、局部傅里葉變化、Gabor變換、二進制小波變換、樹形小波分解等
衡量直方圖間的相似性
- 直方圖的均值
- 直方圖的方差
直方圖統計了相同像素的個數。
直方圖的均值：（該區域每一個像素*該像素的個數）/該區域像素點個數
直方圖的方差：（該區域每一個像素 - 均值）2 *該像素的個數）/ 該區域像素點個數
直方圖統計特征分析法
Kolmogorov--Smirnov檢測
1.求出圖像的直方圖
2.第一幅圖像直方圖中每個像素點的個數-第二幅圖像直方圖中每個像素點的個數取絕對值，比較出其中的最大值為KS
3.第一幅圖像直方圖中每個像素點的個數-第二幅圖像直方圖中每個像素點的個數取絕對值，求和為SD
4.最后KS-SD取絕對值，如果在閾值內，則這兩幅圖像是相似的。
邊緣方向直方圖分析法
灰度級直方圖不能反映圖像的二維灰度變化，圖像邊緣包含有大量的二維信息，取沿着邊緣走向的像素的領域，分析其直方圖，若在直方圖上的某一個灰度范圍內具有尖峰，就可以說明在這個范圍內，紋理所具有的方向性。
因此，單純的分析邊緣方向的直方圖可得到有關紋理的一些信息。
轉載：https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71482296
(1) 統計方法
統計方法是基於像素及其鄰域的灰度屬性，來研究紋理區域的統計特性。統計特性包括像素及其鄰域內灰度的一階、二階或高階統計特性等。
統計方法的典型代表，是一種被稱為灰度共生矩陣(GLCM)的紋理分析方法。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。這種方法通過實驗，研究了共生矩陣中各種統計特性，最后得出灰度共生矩陣中的四個關鍵特征：能量、慣量、熵和相關性。
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。並且，GLCM的計算較為耗時，好在不斷有研究人員對其提出改進。
其他的統計方法，還包括圖像的自相關函數，半方差圖等。
優點：
方法簡單，易於實現。尤其是灰度共生矩陣(GLCM)方法是公認有效方法，有較強的適應性與魯棒性；
缺點：
與人類視覺模型脫節，缺少全局信息的利用，難以在研究紋理尺度之間像素的遺傳或依賴關系；
缺乏理論支撐；
計算復雜度較高，制約了實際應用。
(2) 幾何法
幾何法是建立在紋理基元理論基礎上的一種紋理特征分析方法，其中的紋理基元即為基本的紋理元素。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元按照一定規律的形式重復排列構成。
在幾何法中，比較有影響的算法有Voronio棋盤格特征法。
但幾何法應用和發展極其受限，且后繼研究很少。
(3) 模型法
模型法中存在假設：紋理是以某種參數控制的分布模型方式為基礎而形成的。
由於模型法從紋理圖像的實現來估計計算模型參數，同時以參數為特征，或采用某種分類策略進行圖像分割，所以模型參數的估計是模型法的核心問題。
模型型紋理特征提取方法以隨機場模型方法和分形模型方法為主。
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。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。分數維在圖像處理中的應用時以兩點為基礎：
(1) 自然界中不同種類的形態物質一般具有不同的分形維；
(2) 由於研究人員的假設，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。
隨機場模型法的典型方法，如馬爾可夫隨機場（MRF）模型法、Gibbs隨機場模型法、分形模型和自回歸模型。
優點：
模型家族的方法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；
采用隨機場模型法對遙感影像紋理特征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，它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（它注意到紋理的多分辨率特性，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系以取得紋理特征）。
缺點：
由於主要是通過模型系數來標識紋理特征，模型系數的求解有難度；
計算量很大。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），通常需要迭代數百次才能收斂；
參數調節不方便，模型不宜復雜。
(4) 信號處理法
信號處理的方法是建立在時域、頻域分析，以及多尺度分析的基礎上。這種方法對紋理圖像某個區域內實行某種變換后，再提取出能夠保持相對平穩的特征值，並以該特征值作為特征，表示區域內的一致性以及區域之間的相異性。
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。
信號處理法的經典算法有：灰度共生矩陣、Tamura紋理特征、自回歸紋理模型、小波變換等。
優點：
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征，由此提取的特征也是有利於紋理圖像分割；
能夠空間/頻域結合分析紋理特征。
缺點：
正交小波變換的多分辨分解只是將低頻部分進行進一步的分解，而對高頻部分不予考慮；而真實圖像的紋理信息往往也存在於高頻部分。小波包分析雖然克服了這一缺點，但對非規則紋理又似乎無能為力；小波多應用於標准或規則紋理圖像，而對於背景更復雜的自然圖像，由於存在噪聲干擾，或者某一紋理區域內的像素並非處處相似，導致正交小波變換往往效果不佳；
計算量較大。
(5) 結構分析法
結構分析法認為，紋理是由紋理基元的類型、數目、以及基元之間的“重復性”的空間組織結構與排列規則來描述的，而且紋理基元幾乎具有規范的關系。假設紋理圖像的基元可以被分離出來，以基元特征和排列規則進行紋理分割，顯然結構分析法要解決的問題，就是確定與抽取基本的紋理單元，以及研究存在於紋理基元之間的“重復性”結構關系。
由於結構分析法強調紋理的規律性，所以比較適用於分析人造紋理，然而真實世界大量自然紋理通常是不規則的。此外，解耦股的變化是頻繁的，所以結構分析法的應用受到很大程度的限制。
結構分析法的典型算法：句法紋理描述算法、數學形態學方法。
綜上所述，在提取紋理特征的有效性方面，統計方法、模型法和信號處理法相較於幾何法與結構分析法，可以說相差無幾，都獲得了認可。