1.纹理的定义
 
         纹理是一种反映图像中的同质的一种视觉特征，它体现了物体表面的结构组织排列属性。纹理特征具有三大标志：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，他通过像素及其周围空间邻域的弧度分布来表现，纹理具有局部性，当局部纹理重复出现时就是全局纹理信息。
 
        纹理特征体现全局性质时，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的内容的。
 
纹理特征的提取
     一幅图像的纹理实在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工何晨的纹理识别效果较好。但对于交通图像中的纹理识别，基于统计数据的方法更好。
 
  （1）LBP特征
         LBP方法（Local binary pattterns）是一个计算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T.Ojala等人提出【1】【2】，用于问题特征提取。后来LBP方法和HOG特征分类器联合使用，改善了一些数据集上的检测效果。
 
对LBP特征向量进行提取的步骤如下：
 
       首先将检测窗口划分为16*16的小区域（cell），对于每个cell中的一个像素，将其环形邻域内的8个点（也可以是环形邻域内的多个点，应用LBP算法的三个邻域）进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻赋值为1，否则赋值为0。这样每个点都会获得一个8为二进制数。（转换为10进制数）然后计算每个cell的直方图，即每个数字（十进制的）出现的频率（就是一个关于每一个像素点是否比邻域内点大的一个为禁止序列进行统计），然后对该直方图进行归一化处理。最后得到的每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征，然后便可利用SVM或者其他机器学习算法进行分类。
 
[1]T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.
 [2] T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.
 
 
 
(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T（NXN），则定义M(i,j)为灰度为i和j的像素同时出现在一个点沿所定义的方向跨度步长的点上的频率。其中N是灰度级划分数目。由于共生矩阵有方向和步长的组合定义，而决定频率的一个因素是对矩阵有贡献的像素数目，而这个数目比总数目少，且随着步长的增加而减少。因此所得到的共生矩阵是一个稀疏矩阵，所以灰度级划分N常常减少到8级。如在水平方向上计算左右方向上像素的共生矩阵，则为对称共生矩阵。类似的，如果仅考虑当前像素单方向（左或右）上的像素，则称为非对称共生矩阵。

 一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。
 
 纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别，基于统计数据的方法效果更好。
 
 1.1.1   LBP纹理特征
 
 LBP方法（Local binary patterns）是一个计算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 提出[43][44]，用于纹理特征提取。后来LBP方法与HOG特征分类器联合使用，改善了一些数据集[45]上的检测效果。
 
 对LBP特征向量进行提取的步骤如下：
 
 首先将检测窗口划分为16×16的小区域（cell），对于每个cell中的一个像素，将其环形邻域内的8个点（也可以是环形邻域多个点，如图 3‑4. 应用LBP算法的三个邻域示例所示）进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数（通常转换为十进制数）。然后计算每个cell的直方图，即每个数字（假定是十进制数）出现的频率（也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计），然后对该直方图进行归一化处理。最后将得到的每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征，然后便可利用SVM或者其他机器学习算法进行分类了。
 
 
 
 2.
 
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。其中N是灰度级划分数目。由于共生矩阵有方向和步长的组合定义，而决定频率的一个因素是对矩阵有贡献的像素数目，而这个数目要比总共数目少，且随着步长的增加而减少。因此所得到的共生矩阵是一个稀疏矩阵，所以灰度级划分N常常减少到8级。如在水平方向上计算左右方向上像素的共生矩阵，则为对称共生矩阵。类似的，如果仅考虑当前像素单方向（左或右）上的像素，则称为非对称共生矩阵。

 
 
 
 
 
 
 [43] T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.
 [44] T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.
 [45] Xiaoyu Wang, Tony X. Han, Shuicheng Yan,"An HOG-LBP Human Detector with Partial Occlusion Handling", ICCV 2009
 
  
 
 另外：LBP纹理特征提取matlab实现代码：http://www.cse.oulu.fi/CMV/Downloads/LBPMatlab

 
纹理特征总述
 
1、纹理特征简介
2、纹理的有关定义
3、纹理特征的特点
优点
缺点
  
4、纹理特征提取方法的分类
4.1 统计方法
4.1.1 GLCM方法（空间灰度共生矩阵）
4.1.2 半方差图
4.1.3 纹理谱方法（如LBP）
   
4.2 几何法
4.3 模型法
4.3.1 随机场模型方法
1 马尔科夫随机场模型法（MRF）
2 Gibbs随机场模型法
    
4.3.2 分型模型法
   
4.4 信号处理法
4.5 结构分析法
  
5、小结

 
1、纹理特征简介
 
由于刚接触纹理方面的知识，首先从知网上找了两篇纹理特征研究的综述进行参考，参考文献附上。
 
参考文献：
 [1]刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(04):622-635.
 [2]李秀怡.图像纹理检测与特征提取技术研究综述[J].中国管理信息化,2017,20(23):175-178.
 
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。
 
 
2、纹理的有关定义
 
代表性的定义：
 定义1、纹理是一种反映图像中同质现象的视觉特征，体现了物体表面共有额内在属性，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关系。
 
定义2、如果图像内区域的局域统计特征或其他图像的局域属性变化缓慢或近似周期性变化，则可称之为纹理。
 
定义3、纹理就是指在图像中反复出现的局部模式和它们的排列规则。
 
定义4、纹理被定义为一个区域属性，区域内的成分不能进行枚举，且成分之间的关系不十分明确。
 
定义5、纹理是一种反映像素的空间分布属性的图像特征，通常表现为局部不规则而宏观有规律的特性。
 
定义6、纹理具有三大标志：某种局部序列性不断重复、非随机排列和纹理区域大致为均匀的统一体。
 
对于上述定义都是基于特定应用背景，其中的共识是：（1）纹理不同于灰度和颜色等图像特征，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；（2）局部纹理信息不同程度的重复性，即全局纹理特征。
 
3、纹理特征的特点
 
优点
 
（1）包含多个像素点的区域中进行统计计算；
 （2）常具有旋转不变性；
 （3）对噪声具有较强的抵抗能力；
 
缺点
 
（1）受分辨率的影响严重；
 （2）有可能受到光照、反射情况的影响；
 （3）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；
 
4、纹理特征提取方法的分类
 
纹理特征提取方法分类：
 
 
4.1 统计方法
 
统计方法是基于像素及其邻域的灰度属性，来研究纹理区域的统计特性。统计特性包括像素及其邻域内灰度的一阶、二阶或高阶统计特性。
 
4.1.1 GLCM方法（空间灰度共生矩阵）
 
该方法建立在估计图像的二阶组合条件概率密度基础上，计算图像上某个方向上相隔一定距离的一对像元灰度出现的统计规律。
 
GLCM是一个对称矩阵，是距离d和方向$\theta$的函数，其阶数由图像中的灰度级Ng决定，由GLCM能够导出14种纹理特征。但在应用上受限。
 
因此，不断有研究者尝试改进。一般情况下，取距离d等于1时，0°、45°、90°、130°的灰度共生矩阵，再由矩阵导出纹理参数，常用的5个参数，即能量、熵、惯性矩、相关、局部平稳等。（对比度、逆差矩、相关性、能量、熵）。
 
还有研究者提出自适应多尺度的GLCM算法；基于遗传算法的GLCM 方法；通过相似度评估，采用近似纹理特征提高图像纹理分析的效率。
 
优点：具有较强的适应性与鲁棒性。
 
4.1.2 半方差图
 
该方法是一种基于变差函数的方法，由于变差函数反映图像数据的随机性和结构性，因而能很好的表达图像纹理的特征。
 
对人造纹理和大多数自然纹理的分割效果是十分有效的。
 
4.1.3 纹理谱方法（如LBP）
 
LBP，局部二值模式。是一种用来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性等优点。
 
常用的特征描述子有：HOG、Harris、LBP等。
 
4.2 几何法
 
几何法是建立在纹理基元理论基础上的一种纹理特征分析方法，其中的纹理基元即为基本的纹理元素。
 
有影响的算法有：Vonorio棋盘格特征法。
 
但几何法应用和发展受限，后续研究较少。
 
4.3 模型法
 
模型法中存在假设：纹理是以某种参数控制的分布模型方式为基础而形成的。
 
该方法对纹理图像进行建模后，将纹理特征提取归结为参数估计问题，如何采用各种优化参数估计的方法进行参数和估计是研究的主要内容。
 
模型纹理特征提取方法主要有：随机场模型方法和分型模型方法。
 
4.3.1 随机场模型方法
 
该方法试图以概率模型来描述纹理的随机过程，它们对随机数据或随机特征进行统计运算，进而估计纹理模型的参数，然后对一系列的模型参数进行聚类，形成和纹理类型数一致的模型参数。
 
由估计的模型参数来对灰度图像进行逐点的最大后验概率估计，确定像素及其邻域情况下该像素点最可能归属的概率。随机场模型实际上描述了图像中像素对邻域像素的统计依赖关系。
 
1 马尔科夫随机场模型法（MRF）
 
2 Gibbs随机场模型法
 
4.3.2 分型模型法
 
分数维作为分形的重要特征和度量，把图像的空间信息和灰度信息简单而又有机的结合起来，因而在图像处理中备受人们的关注。
 
分形维描述纹理的核心问题是如何准确地估计分形维。分数维在图像处理中的应用时以两点为基础：
 (1) 自然界中不同种类的形态物质一般具有不同的分形维；
 (2) 由于研究人员的假设，自然界中的分形与图像的灰度表示之间存在着一定的对应关系。
 
研究表明，人类视觉系统对于粗糙度和凹凸性的感受与分形维数之间有着非常密切的联系。因此，可以用图像区域的分形维数来描述图像区域的纹理特征。
 
分维数常用的算法有Keller提出的盒维数以及Chaudhuri提出的差分计盒法等。
 
最重要的分形模型之一是由Mandelbro描述的分数布朗运动模型，它把自然的粗糙表面看成随机游走(random walk)的最终结果。重要的是，纹理的亮度表面也可以看作是随机游走的结果，因此分数布朗运动模型可以用于描述纹理。
 
自然纹理可以在大范围的尺度内呈现出相似的粗糙度，由于实际中假设粗糙度在任何尺度上都是恒常的，并不合适，于是很多不同的扩展分数布朗运动(FBM)模型的方法被提出来，比较常用的是从扩展自相似(ESS)模型导出的特征——扩 展分形特征，由ESS引入的多尺度Hurst参数提供了表达不同尺度上纹理粗糙度的一种特征。多尺度Hurst参数特征可被用来发展比单个Hurst参数更好的特征矢量来表达自然纹理，因为不要求粗糙度的尺度不变性，所以能够区分大多数自然纹理，对于纹理分类与分割是非常吸引人的特征。
 
1999年, Kaplan等人提出了有效估计广义Hurst参数的方法，并对多尺度Hurst参数作为特征用于纹理分类与分割的有效性进行评估，其结论是广义Hurst参数特征用于纹理分类效果能够媲美Gabor方法,明显优于传统Hurs参数。此外，针对单一分数维的缺陷，研究者们根据多重分形理论，引入多重分形理论中的广义维数谱作为分类特征，它对于由不同分数维的子集构成的纹理图像有很好的分类效果。
 
4.4 信号处理法
 
信号处理的方法是建立在时域、频域分析，以及多尺度分析的基础上。
 
该方法对纹理图像某个区域内实行某种变换后，再提取出能够保持相对平稳的特征值，并以该特征值作为特征，表示区域内的一致性以及区域之间的相异性。
 
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。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。
 
信号处理法的经典算法有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。
 
4.5 结构分析法
 
该纹理是由纹理基元的类型、数目、以及基元之间的“重复性”的空间组织结构与排列规则来描述的，而且纹理基元几乎具有规范的关系。
 
假设纹理图像的基元可以被分离出来，以基元特征和排列规则进行纹理分割，显然结构分析法要解决的问题，就是确定与抽取基本的纹理单元，以及研究存在于纹理基元之间的“重复性”结构关系。
 
由于结构分析法强调纹理的规律性，所以比较适用于分析人造纹理，然而真实世界大量自然纹理通常是不规则的。此外，解耦股的变化是频繁的，所以结构分析法的应用受到很大程度的限制。
 
结构分析法的典型算法：句法纹理描述算法、数学形态学方法。
 
5、小结
 
图像纹理方法各有优缺点，在实际应用中，要结合实际情况进行选择。

一幅图片的特征：纹理特征、颜色特征、形状特征、空间关系特征。这里说记录一下纹理特征：
 
       LBP（Local Binary Pattern）指局部二值模式，是一种用来描述图像局部纹理特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。
 
        它是由T. Ojala, M.Pietikäinen, 和 D. Harwood [1][2]在1994年提出，由于LBP特征计算简单、效果较好，因此LBP特征在计算机视觉的许多领域都得到了广泛的应用，LBP特征比较出名的应用是用在人脸识别和目标检测中，在计算机视觉开源库Opencv中有使用LBP特征进行人脸识别的接口，也有用LBP特征训练目标检测分类器的方法，Opencv实现了LBP特征的计算，但没有提供一个单独的计算LBP特征的接口。
 
 
 
 1、LBP特征的描述
 
        原始的LBP算子定义为在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。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，2^8共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：
 
  
 


 
公式表示如下：
    
     (xc,yc)
    为中心像素的坐标，p为邻域的第p个像素，
    
     ip
    为邻域像素的灰度值，
    
     ic
    为中心像素的灰度值，
    
     s(x)
    为符号函数
 

 
 
 
 LBP的改进版本：
 
        原始的LBP提出后，研究人员不断对其提出了各种改进和优化。
 
 （1）圆形LBP算子：
 
         基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala等对 LBP算子进行了改进，将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；
 
 
 
 （2）LBP旋转不变模式
 
        从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。
 
          Maenpaa等人又将 LBP算子进行了扩展，提出了具有旋转不变性的 LBP算子，即不断旋转圆形邻域得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP值。
 
        图 2.5 给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的 LBP值，图中所示的 8种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值为 15。也就是说，图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是 00001111。
 
 
 
 （3）LBP等价模式
 
        一个LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有220＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。
 
         为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”（Uniform Pattern）来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000（0次跳变），00000111（只含一次从0到1的跳变），10001111（先由1跳到0，再由0跳到1，共两次跳变）都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111（共四次跳变）（这是我的个人理解，不知道对不对）。
 
        通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。
 
 3、对LBP特征向量进行提取的步骤
 
 （1）首先将检测窗口划分为16×16的小区域（cell）；
 
 （2）对于每个cell中的一个像素，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。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
 
 （3）然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。
 
 （4）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；
 
 然后便可利用SVM或者其他机器学习算法进行分类了。