纹理特征研究综述_sup_①__sup_ (1)
图像纹理特征总体描述
图像纹理特征总体描述图像纹理特征总体简述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；不同于灰度、颜⾊等图像特征，纹理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。
另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。
纹理特征体现全局特征的性质的同时，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。
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。
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”。
⼀. 纹理特征的特点优点：包含多个像素点的区域中进⾏统计计算；常具有旋转不变性；对于噪声有较强的抵抗能⼒；缺点：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；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；⼆. 纹理特征分类1. 基本说明纹理特征分类图如下所⽰：纹理特征的提取，⼀般都是通过设定⼀定⼤⼩的窗⼝，然后从中取得纹理特征。
然⽽窗⼝的选择，存在着⽭盾的要求：窗⼝设定⼤：纹理是⼀个区域概念，它必须通过空间上的⼀致性来体现。
观察窗⼝取的越⼤，能检测出同⼀性的能⼒愈强；反之，能⼒愈弱；窗⼝设定⼩：由于不同纹理的边界对应于区域纹理同⼀性的跃变，因此为了准确地定位边界，要求将观察窗⼝取得⼩⼀点；这种情况下，会出现困难是：窗⼝太⼩，则会在同⼀种纹理内部出现误分割；⽽分析窗太⼤，则会在纹理边界区域出现许多误分割。
影像组学纹理特征
影像组学纹理特征引言：影像组学是结合医学影像和计算机科学的跨学科研究领域，旨在利用医学影像数据提取和分析大量的定量特征，以帮助医学诊断、治疗和预后评估。
纹理特征是影像组学中重要的一类特征，它们能够描述医学影像中的图像纹理信息，对于癌症等疾病的诊断和预后评估具有重要意义。
纹理特征分析方法：影像组学纹理特征分析可以通过多种方法实现，常用的方法包括灰度共生矩阵（GLCM）、灰度运行长度矩阵（GLRLM）、灰度尺寸区域矩阵（GLSZM）和灰度平均领域强度（GLDM）等。
这些方法可以从图像的灰度直方图、灰度级别之间的关系以及像素灰度值在空间上的分布等方面来描述图像的纹理特征。
常用的纹理特征：常用的纹理特征包括对比度（Contrast）、同质性（Homogeneity）、熵（Entropy）、均值（Mean）、标准差（Standard Deviation）等。
对比度反映了图像中相邻像素灰度级别之间的差异程度，同质性度量了图像中相似灰度级别像素的紧密程度，熵用于描述图像的复杂程度，均值和标准差反映了图像的平均亮度和像素分布的变化程度。
纹理特征在肿瘤分类中的应用：纹理特征可以用于肿瘤的分类和分级。
例如，对于乳腺钼靶影像，可以通过分析肿瘤区域的纹理特征来判定良性与恶性乳腺肿瘤。
研究表明，恶性肿瘤的纹理特征往往呈现出更高的对比度和熵，而良性肿瘤的纹理特征则较为均匀和一致。
因此，通过纹理特征的分析，可以提高对肿瘤的判别能力，对于指导临床治疗具有重要意义。
纹理特征在预后评估中的应用：纹理特征还可以用于预后评估。
例如，在头颈部肿瘤的影像组学研究中，研究人员发现一些纹理特征与患者的预后相关。
这些纹理特征包括逆关联（inverse correlation），指标相似度（similarity metrics）以及递增和递减（incremental and decremental）等。
通过对大量的影像数据进行纹理特征的提取和分析，可以建立预后评估模型，帮助决策医生制定个性化的治疗策略。
gee纹理特征
gee纹理特征介绍在地球引擎（Google Earth Engine，简称GEE）中，纹理特征是一种用于描述图像或地理空间数据的重要属性。
纹理特征可以帮助我们理解图像中的空间结构和模式，从而对地表进行分类、监测和分析。
本文将深入探讨gee纹理特征的定义、计算方法以及在地表研究中的应用。
纹理特征的定义纹理特征是指图像或地理空间数据中的局部空间结构和模式。
它描述了图像中像素之间的空间关系、颜色变化和形状等信息。
纹理特征可以用于衡量图像的复杂度、细节和视觉质量。
在地表研究中，纹理特征还可以用于区分不同地物类型、监测地表变化和评估生态环境。
纹理特征的计算方法计算纹理特征的方法有很多种，常见的包括灰度共生矩阵（Gray Level Co-occurrence Matrix，简称GLCM）、局部二值模式（Local Binary Patterns，简称LBP）和方向性梯度直方图（Histogram of Oriented Gradients，简称HOG）等。
灰度共生矩阵（GLCM）灰度共生矩阵是一种用于描述图像纹理特征的统计方法。
它通过计算图像中像素灰度级之间的统计关系来描述纹理特征。
常用的GLCM特征包括对比度、相关性、能量和熵等。
1.对比度（Contrast）：衡量图像中不同灰度级像素之间的差异程度。
2.相关性（Correlation）：衡量图像中像素之间的线性相关性。
3.能量（Energy）：衡量图像中像素灰度级分布的均匀程度。
4.熵（Entropy）：衡量图像中像素灰度级分布的不确定性。
局部二值模式（LBP）局部二值模式是一种用于描述图像纹理特征的方法，它通过对图像中每个像素及其周围像素进行二值编码来表示纹理特征。
常用的LBP特征包括LBP直方图和LBP模式等。
1.LBP直方图（LBP Histogram）：将图像中每个像素的LBP值统计到直方图中，用于表示图像的纹理特征。
2.LBP模式（LBP Pattern）：将图像中每个像素的LBP值组合成一个二进制模式，用于表示图像的纹理特征。
光谱特征、纹理特征
光谱特征、纹理特征
光谱特征和纹理特征是在图像处理和计算机视觉领域中用于描述图像内容的两种不同类型的特征。
光谱特征：
光谱特征通常与图像的颜色信息有关，特别是在多光谱或高光谱图像中。
光谱特征主要包括：
1.波段反射率：在多光谱或高光谱图像中，不同波段的反射率信
息。
2.光谱曲线：描述不同波段上像素的光谱响应曲线，用于分析物
体的光谱特性。
3.光谱指数：使用不同波段的像素值进行计算，如归一化植被指
数（NDVI）、植被指数（VI）等。
4.光谱特征分析：通过光谱信息分析物体的材质、含水量等属性。
纹理特征：
纹理特征关注的是图像中不同区域之间的结构和纹理差异。
纹理特征通常用于描述图像的细节和局部结构，其中一些常见的纹理特征包括：
1.灰度共生矩阵（GLCM）：用于描述像素之间的灰度关系，可以
计算纹理特征如能量、对比度、相关性等。
2.方向性纹理特征：描述图像中不同方向上的纹理特性，如方向
梯度直方图（HOG）。
3.局部二值模式（LBP）：用于描述图像中局部纹理结构的二值模
式。
4.Gabor滤波器特征：对图像进行Gabor滤波，用于提取不同
频率和方向上的纹理信息。
5.小波变换特征：使用小波变换分析图像的局部纹理特征。
在实际图像处理任务中，常常结合使用光谱特征和纹理特征，以获取更全面的图像信息。
例如，在卫星遥感图像中，通过结合光谱信息和纹理信息可以更准确地进行地物分类。
在医学图像分析中，光谱特征和纹理特征的结合可以用于病变检测和诊断。
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 Nj ij k l t 00),(δ (3-2) 式中 ⎩⎨⎧=-==+=jk 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： ∑∑-=-==1010L i L i ijijij tt p (3-7) b) TamuraTamura 以人类的主观心理度量作为标准，提出了六个基本的纹理特征，这些特征包括：粗糙度（coarseness ），对比度（contrast ），方向度（directionality ），线像度（linelikeness ），规整度（regularity ）和粗略度（roughness ），这些特征中最重要的主要是纹理的粗糙度，对比度和方向度。
图像纹理特征总体描述
图像纹理特征总体简述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；不同于灰度、颜色等图像特征，纹理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。
另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。
纹理特征体现全局特征的性质的同时，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。
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。
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”。
一. 纹理特征的特点∙优点：∙包含多个像素点的区域中进行统计计算；∙常具有旋转不变性；∙对于噪声有较强的抵抗能力；∙缺点：∙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；∙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；二. 纹理特征分类1. 基本说明纹理特征分类图如下所示：纹理特征的提取，一般都是通过设定一定大小的窗口，然后从中取得纹理特征。
然而窗口的选择，存在着矛盾的要求：∙窗口设定大：纹理是一个区域概念，它必须通过空间上的一致性来体现。
观察窗口取的越大，能检测出同一性的能力愈强；反之，能力愈弱；∙窗口设定小：由于不同纹理的边界对应于区域纹理同一性的跃变，因此为了准确地定位边界，要求将观察窗口取得小一点；这种情况下，会出现困难是：窗口太小，则会在同一种纹理内部出现误分割；而分析窗太大，则会在纹理边界区域出现许多误分割。
纹理特征提取方法
纹理特征提取方法
纹理特征提取是计算机视觉中一个重要的研究内容，其可以用来提取和描述图像中的
纹理特征，以满足图像识别的要求。
纹理特征提取有以下几种方法。
基于统计方法的纹理特征提取方法是根据统计特征，如局部直方图，局部二元直方图
或相关系数，来描述图像中的纹理。
它们可以用来比较每个像素和其邻域内像素之间的统
计特征，从而提取出局部纹理特征，并可用于识别各种类型的纹理。
2. 基于模式识别方法的纹理特征提取方法
基于模式识别方法的纹理特征提取方法是一种高维特征，它利用图像空间中的模式识
别算法，如Gabor小波变换、结构元素统计和生成模式和多分辨率分析，来提取包含的图
像纹理特征。
它仅从局部的特征提取中获得了更多的信息，可用于图像识别算法的输入参数。
基于矢量方法的纹理特征提取方法利用增强矢量实现图像中纹理的提取和分类。
该方
法主要是利用矢量图来逆变换成像素图，并利用这些矢量图来描述图像纹理特征。
它不仅
能够给出空间特征，而且能够提供更多的信息，可用于纹理分类及其他图像识别应用的研
究中。
此外，近年来也出现了基于深度学习的纹理特征提取方法。
基于深度学习的纹理特征
提取方法利用深度神经网络，自发提取和描述纹理特征，从而使图像纹理特征更加多样化。
它可以在保持纹理特征多样性的同时提高识别准确度。
动物皮革纹理特征提取和重构方法研究
doi:10.19677/j.issn.1004-7964.2023.06.005动物皮革纹理特征提取和重构方法研究彭棉珠1，谭路路2，黄志高2*，杨志锋2（1.仰恩大学现代教育技术中心，福建泉州362014；2.泉州师范学院，福建泉州362000）摘要：文章提出了一种描述皮革纹理特征以及根据特征值重构皮革形状的方法。
首先构建皮革纹理的层次结构模型，然后对皮革表面的测量值进行统计分析，提取描述皮革纹理外形特征的参数，最后基于提取的参数和皮革纹理的层次结构模型重构皮革形状。
实验结果表明，方法在提高皮革图案设计效率的同时能够更准确地提取皮革纹理特征。
关键词:皮革；仿制；纹理特征；形状重构中图分类号:TP 391.41文献标志码:AResearch on the Extraction and Reconstruction Method ofAnimal Leather Texture Feature(1.Modern Educational &Technical Center,Yangen University,Quanzhou 362014,China;2.Quanzhou NormalUniversity,Quanzhou 362000,China)Abstract:This paper proposed a method to describe the leather texture feature and reconstruct the leather shape from the eigenvalues.The hierarchical structure model of leather texture was firstly constructed,and then the measured values of leather surface were statistically analyzed to extract the parameters describing the appearance characteristics of leather texture,and finally the leather shape was reconstructed based on the extracted parameters and the hierarchical structure model of leather texture.Results show that the present method can not only improve the efficiency of leather pattern design,but also extract leather texture features more accurately.Key words:leather;imitation;texture feature;shape reconstruction收稿日期：2023-03-20基金项目：福建省中青年教师教育科研项目“基于模拟登录的微博数据采集方案”（JT180381）第一作者简介：彭棉珠（1983-），女，硕士，实验师，主要从事模式识别，影视后期。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
纹理特征研究综述①孙君顶马媛媛(河南理工大学计算机科学与技术学院河南焦作 454000)摘要：纹理广泛存在于自然界中，是所有物体表面所共有的内在特性，研究纹理有着重要的理论和应用价值。
从纹理定义及分类两个方面，回顾了纹理特征研究的发展历程，分析了有关纹理的研究成果，并重点对纹理分析方法进行了较为全面的综述，最后给出了纹理研究的几个热点应用领域。
关键词：纹理；纹理定义；研究成果；纹理分析方法；应用领域Summary of Texture Feature Researc hSUN Jun-Ding, MA Yuan-Yuan(School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo 454000, China) Abstract: Texture exists widely in nature and it denotes the inherent characteristics of the objects. It is very important to study texture in theory and application. This paper reviews and analyzes the research development,research results and analysis methods of texture features in detail. Finally some hot applications of textureresearch are given.Keywords: texture; texture definition; the research results; texture analysis method; fields of application纹理是一种不依赖于颜色或亮度变化的反映图像中同质现象的视觉特征，刻画了图像像素邻域灰度空间分布的规律。
它是所有物体表面都具有的内在特性，不同物体具有不同的纹理，如云彩，树木，砖，织物等都有各自的纹理特征。
纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系，人类的视觉系统对外部世界的感知有赖于物体所表现出的纹理特征。
纹理分析则是计算机视觉和数字图像处理中的一个重要的研究课题，而如何获得其中的纹理特征是其中的重要环节。
纹理特征研究有着重要的理论和应用价值，一直是人们研究的热点，各种纹理分析方法层出不穷。
在大量的文献阅读研究的基础上，本文回顾了纹理特征研究的发展历程，分析了其研究成果，最后给出了纹理研究的应用领域。
1 纹理的定义由于纹理基元及其分布形态复杂多样，人们对纹理的感觉和心里效果相结合，很难用语言文字来描述。
尽管人们能很轻松地识别纹理，但对纹理很难有一个确切的定义。
一般将组成纹理的基本元素称为纹理基元或纹元。
Coggins收集了计算机视觉领域中一些经典的纹理定义[1]：1) 纹理可以被认为是由肉眼可见的区域组成。
纹理结构的简单特征是有重复图案的组成，在这些图案中的图元按一定的布局规则排列。
2) 如果图像的一组局部统计特征或者其他特征是不变的，变化缓慢的或者近似周期的，那么就认为图像区域含有不变的纹理。
Castleman等人认为[2]：纹理是一种反映图像中一块区域的像素灰度级的空间分布属性，这种空间结构的固有属性可以通过邻域像素间的相关性刻画。
以上对纹理的描述已慢慢地被广大学者接受和应用。
对纹理的认识或定义决定了纹理特征提取采用的方法，由于对纹理的定义不统一，一方面使纹理分析①基金项目:河南省国际合作项目(084300510065);河南省控制工程重点学科开放实验室开放课题基金(KG2009-14);河南省教育厅自然科学基础研究基金(2008B520015,2009B520013);河南理工大学博士基金(B050901);河南理工大学骨干教师资助基金收稿时间:2009-10-12;收到修改稿时间:2009-11-19中的问题更为复杂、更具有挑战性；另一方面，由于纹理本身具有多种属性特征使得图像的研究者们引入各种模型对纹理特征进行描述，使得对纹理的研究丰富多彩。
2 纹理的分类纹理作为物体表面的一种基本属性，是描述和识别广泛存在于自然界中物体的一种极为重要的特征。
较为常见的纹理主要有以下三种类型(1)自然纹理。
该种纹理是未经人工刻意加工的、在自然界中自然存在的物体表面属性，如云、烟、雾、木纹、砾岩、沙漠、草地纹理。
这种纹理的基本组成元素形状多样、多数不规则，分布随机性较大。
(2)人工纹理。
该种纹理是人工参与的不同于自然存在物体表面属性的一种纹理，像器物表面的花纹、砖墙、织物、棋盘格格等。
这种纹理的主要特点是纹理基本组成元素形状规则、确定、分布规律性比较强。
(3)混合纹理。
这种纹理主要是一些人工制造的纹理基本元素随机分布于物体表面或自然界形成的。
3 纹理的分析方法纹理分析指的是通过一定的图像处理技术提取纹理特征，并获得纹理定性或定量描述的过程。
常用的纹理分析方法有四种：统计分析方法、结构分析方法、模型分析方法和频谱分析方法。
3.1 统计分析方法纹理特征，特别是自然纹理，在局部上表现出很大的随机性，可描述成一个随机变量。
但从整体和统计意义上看，它也存在某种规律性。
从区域统计方面去分析纹理图像的方法称为基于统计的分析方法，该类方法是利用图像的灰度空间分布情况来描述粗细度、均匀性、方向性等纹理信息。
较早提出并应用的一种统计方法是利用自相关函数[3]描述图像的纹理特征，Kaizeil利用该方法对七类不同的面覆盖物的航空照片进行纹理分析与识别，获得了很好的效果。
1976年，Weszka提出了灰度差分直方图统计方法，该方法能描述图像灰度的空间组织信息，但对于不同的研究对象，需要选取不同的位移矢量，增加了处理图像的工作量。
20世纪70年代早期Haralikc[4]等人提出了空间灰度共生矩阵法[5]，该方法首先对图像空间灰度分布进行统计，得出图像的共生矩阵，其次依据定义在共生矩阵上的若干个纹理特征值进行计算，得到图像的纹理描述。
由于共生矩阵模型方法不受分析对象的制约，能够很好地反映图像的空间灰度分布情况，体现图像的纹理特征，所以得到广泛应用。
1976年，Weszka等人[6]比较了GLCM、灰度差分统计和灰度行程长度统计法，认为GLCM性能最优。
在此基础上，洪继光等结合图像灰度信息及灰度变化的梯度信息，提出了灰度-梯度共生矩阵法[7]。
该方法描述图像的特征除了利用灰度本身之外，还利用灰度变化的梯度信息。
图像灰度大小构成了图像的基础，图像梯度则构成了图像轮廓、边缘的要素。
赵珊等[8]将结构分析方法和统计分析方法相结合，并以方块编码为依据，提出了一种纹理基元的共生矩阵方法。
为了满足人类对纹理的视觉感知心理学的研究，1978年Tamura等人提出了用纹理的6种视觉特征来表示纹理。
这种表示纹理的方法使表示的纹理性质具有直观的视觉意义。
为描述中心像素与周围邻域像素之间的相对灰阶关系，盛文等[9]于2000年提出了一种基于纹理元灰度模式统计的图像纹理分析方法，与其它方法相比，该方法方便简单，计算量较少，越来越得到广泛应用。
在基于纹理谱方法的基础上， 2002年Ojala T 等人[10]提出了LBP(Local Binary Pattern)方法，该方法在纹理分类上效果显著，在医学图像处理及人脸识别等领域应用广泛。
LBP算法通过刻画图像中每个像素点与其邻域内其他各点的灰度值的差异来描述图像纹理的局部结构特征，该局部结构可以用一个二进制的数字来量化。
在此基础上，Ojala T等又提出了uniform纹理模式，该方法是当把二进制串看做一个圆时，串中从0到1以及从1到0的转换不超过2[11]。
Ojala通过实验得出这种模式包含了图像局部纹理的信息，可以有效地描述图像的大部分纹理特征，并明显减少特征的数量。
为了更好地表达和分析随机纹理，Xie和Mirmehdi[12]于2007年提出了一种新的统计模型，称为纹理块(texture exemplars)或texems。
3.2 结构分析方法结构分析方法的基本思想是复杂的纹理可由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。
当纹理基元大到能够单独被分割和描述时，就要使用结构分析法。
1966年，Beck[13]以不同的英文字母作为纹理基元进行观察，发现纹理基元按不同方向分布影响着人们对纹理的区分。
在Beck发现的基础上，Bergen和Julesz[14]于1983年进行了一系列的精神物理实验，发现纹理基元的方向和纹理基元的密度都显著影响着人们对不同纹理的区分，同时，纹理基元的大小以及尺寸之间的对比，也对纹理的区分有着重要的影响[15]。
这一系列的实验，从生理和心理的角度说明纹理图像可以分解为纹理基元，而结构分析方法就是按纹理基元的特性和其排列规则来描述的。
比较规则的纹理在空间中是以有次序的形式进行纹理单元的镶嵌，最典型的模式是用一种正多边形镶嵌而成，如由正三角形构成的模式等。
另一种方法是利用Voronoi多边形，1990年，Tuceryan M和Jain A.K[16]提出了基于Voronoi多边形的纹理分割，2001年，Shapiro L和Stockman G[17]在计算机视觉中也提到Voronoi多边形。
Carlucci[18]提出了图状语法结构定义排列规则的纹理模型，该模型使用直线段、开放多边形和封闭多边形作为纹理基元。
由于纹理结构的复杂性，图状语法结构比较简单，Lu和Fu[19]提出了树型语法结构表示纹理，将纹理按照9*9的窗口进行分割，每个分解单元的空间结构表示一棵树。
结构分析方法的好处是纹理构成容易理解，适合于高层检索，描述规则的人工纹理。
但对不规则的自然纹理，由于基元本身提取困难及基元之间的排布规则复杂，因此结构法受到很大的限制。
3.3 模型分析方法基于模型[20]的方法假设纹理按某种模型分布，模型表示纹理元之间的关系，模型参数描述纹理元的特性。
模型法[21,22]主要有随机场方法和分形法。
常见的随机场模型有Markov、Gibbs模型等。
基于Markov随机场模型[23]的纹理分析方法把纹理看作一个随机的二维图像场，并且假定某一点取值与周围像素取值多少有关。
近年来，Markov随机场(MRF)模型[24]取得了很大的成功。
但基于Markov随机场模型仅通过局部特征很难得到全局的联合分布，于是提出了Sivakumar的GRF(Gibbs随机场)模型[25]，该模型通过集团势能的概念，利用局部的计算获得全局的结果。