纹理特征

一、什么是纹理     

    纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。纹理不同于灰度、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。局部纹理信息不同程度的重复性，即全局纹理信息。

二、纹理提取的方法

1.LBP纹理

2.灰度共生矩阵

3.灰度-梯度共生矩阵

4.Gabor小波纹理

1、LBP（localbinary pattern,局部二值模式）

         LBP是一种用来描述图像局部纹理特征的算子，它的作用是进行特征提取，提取图像的局部纹理特征。

原始的LBP算子定义在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0.3*3领域内的8个点可以产生8Bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。

LBP纹理特征向量，一般以图像的分块LBP直方图表示，具体计算步骤如下：

1、将图像划分为N*N的图像子块，计算每个块每个像素的LBP值

2、对每个子块进行直方图统计，得N*N图像子块的直方图

3、利用N*N个子块的直方图，描述该图像的纹理特征。

2、灰度共生矩阵

      灰度共生矩阵是另一种纹理特征提取方法，首先对于一幅图像定义一个方向（orientation）和一个以pixel为单位的步长(step)，灰度共生矩阵T（N×N），则定义M(i,j)为灰度级为i和j的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。

(1)将图像库中的所有图像进行灰度量化，由原来的256级变化到16级；

(2)构造四个方向上的灰度共生矩阵，这四个方向分别是水平、垂直、对角线、反对角线，用数学式表示为0 °, 45 °, 90 °, 135°；

(3)构造出特征向量。将特征向量存在特征矩阵中，特征矩阵的每一列为一幅图像的特征向量，表示的是一幅图像。特征向量是由每幅图像的四个共生矩阵的四个特征参数的均值和方差所构成的；

参数：

（1）能量：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ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。

（2）对比度：，其中。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，CON越大。

（3）相关：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大;相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。

（4）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、灰度梯度共生矩阵

   灰度梯度共生矩阵模型集中反映了图像中两种最基本的要素，即像点的灰度和梯度（或边缘）的相互关系。各像点的灰度是构成一副图像的基础，而梯度是构成图像边缘轮廓的要素，图像的主要信息是由图像的边缘轮廓提供的。

   灰度梯度共生矩阵的分类结果比用灰度共生矩阵好，因为灰度共生矩阵仅用的灰度的信息，而灰度梯度共生矩阵把图像的灰度与梯度

参数：

   小梯度优势 T1 、大梯度优势 T2 、灰度分布的不均匀性 T3 、梯度分布的不均匀性 T4 、能量 T5 、灰度平均 T6 、梯度平均 T7 、灰度均方差 T8 、梯度均方差 T9 、相关 T10 、灰度熵 T11 、梯度熵 T12 、混合熵 T13 、惯性 T14 、逆差矩 T15

4、gabor小波纹理

    通过将图像与Gabor滤波器卷积可以得到一系列的滤波图像，每幅图像都描述了一定尺度和一定方向度上面的图像信息。所以通过以基小波为Gabor函数的小波变换来提取每幅滤波图像的纹理特征来对图像进行检索。