图像纹理分析

1. 纹理
   纹理反映了物体表面颜色和灰度的某种变化，这些变化与物体本身的属性相关。有些图像在局部区域内呈现不规则性，而在整体上表现出某种规律，把这种局部不规则而宏观有规律的特性称之为纹理。以纹理特性为主导的图像，称之为纹理图像；以纹理特性为主导特性的区域，称之为纹理区域，纹理作为一种区域特性，在图像的一定区域上才能反应出来。

   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。

   纹理特征分为四种类型：统计型纹理特征、模型型纹理特征、信号处理型纹理特征、结构性纹理特征

2. 纹理分析
   图像的纹理分析是指通过一定的图像处理技术提取出纹理特征参数，从而获得纹理的定量或定性描述的处理过程。

    					      |  纹理分类纹理识别 ---> 特征提取 ---> || 三维表面重建针对纹理特征的类型，具有相应的纹理分析的方法：
   

   1）统计分析方法
   主要是基于图像像素的灰度值的分布与相互关系，找出反应这些关系的特征，基本原理是选择不同的统计量，对纹理图像的统计特征进行提取。基于像元及其邻域内的灰度属性，研究纹理区域中的统计特征，或者像元及其邻域内灰度的一阶、二阶或者高阶统计特征。常用的方法是共生矩阵法，还有长游程法，共生矩阵法包括灰度共生矩阵（GLCM）、灰度-梯度共生矩阵。

   灰度共生矩阵法是建立在估计图像的二阶组合条件概率密度基础上的一种方法。GLCM主要描述在theta方向上，相隔d个像元距离的一对像元分别具有灰度值i和j的出现的概率。尽管GLCM提取的纹理特征具有较好的鉴别能力，但是这个方法在计算上是昂贵的，尤其是对于像素级的纹理分类更具有局限性。并且，GLCM的计算较为耗时，好在不断有研究人员对其提出改进。

   2）模型分析法
   该方法认为一个像素与其邻域像素存在某种相互关系，这种关系可以是线性的，也可以是符合某种概率关系的。它假设纹理是以某种参数控制的分布模型方式形成的，从纹理的实现来估计计算模型参数，（以参数为特征或采取某种策略进行图像分割）模型参数的估计是这种方法的核心。常用的模型有自回归模型、马尔科夫随机场模型、Gibbs随机场模型、分型模型，这些方法都是用模型系数来表征纹理图像，首先要对纹理图像的结构进行分析，以选取到最合适的模型，其次为如何估计这些模型关系，即关键点在于模型参数的估计。这类方法存在着计算量大，自然纹理很难用单一模型表达的缺点。目前以随机场方法和分型方法为主。

   3）信号处理方法（也称频谱法）
   信号处理类的纹理特征主要是利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域，然后应用某种能量准则提取纹理特征。因此，基于信号处理的方法也称之为滤波方法。它建立在时域、频域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之后，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。大多数信号处理方法的提出，都基于这样一个假设：频域的能量分布能够鉴别纹理。包括傅里叶变换法，Gabor变换法，小波变换法。

   4）结构分析法
   分析图像的纹理结构，从中获取结构特征，将纹理看成许多纹理基元按照一定位置的规则组成，不同类型的纹理基元、不同的方向及数目决定了纹理的表现形式。基于纹理基元分析纹理特征，着重找到纹理基元，然后推论纹理基元的位置规律，该方法适用于规则和周期性纹理，实际中较少采用。