紋理是圖像中除了邊緣、角點之外的另一類重要淺層特征，是圖像中重復(fù)出現(xiàn)的灰度模式或色彩模式，能夠反映圖像的表面屬性和結(jié)構(gòu)特征——例如，布料的紋理、木材的紋理、皮膚的紋理、地面的紋理等。紋理特征的核心價值是：對于邊緣輪廓相似但表面紋理不同的目標(biāo)，能夠通過紋理特征進(jìn)行有效區(qū)分，彌補邊緣特征的局限性。例如，蘋果和橙子的輪廓相似，但表面紋理截然不同，通過紋理特征提取，可精準(zhǔn)區(qū)分兩者；不同種類的布料，輪廓可能一致，但紋理差異明顯，紋理特征可作為區(qū)分依據(jù)。

傳統(tǒng)紋理特征提取的經(jīng)典算法主要有三類，其原理和適用場景各有不同：

1. HOG特征（方向梯度直方圖）：核心原理是通過統(tǒng)計圖像局部區(qū)域的梯度方向直方圖，構(gòu)建紋理特征向量。具體步驟分為：第一步，對原始圖像進(jìn)行預(yù)處理（灰度化、歸一化），消除光照變化對紋理特征的影響；第二步，將圖像劃分為多個小細(xì)胞單元（如8×8像素），計算每個細(xì)胞單元內(nèi)每個像素的梯度方向和梯度幅值；第三步，將多個細(xì)胞單元組合成一個塊（如16×16像素），對塊內(nèi)的梯度方向直方圖進(jìn)行歸一化處理，增強特征的穩(wěn)定性；第四步，將所有塊的梯度方向直方圖拼接起來，形成整個圖像的HOG特征向量。HOG特征的優(yōu)勢是對目標(biāo)的姿態(tài)變化、縮放變化具有較強的適應(yīng)性，抗噪聲能力較好，能夠捕捉目標(biāo)的局部紋理和輪廓特征，是傳統(tǒng)目標(biāo)檢測（如行人檢測）中最常用的特征提取算法，廣泛應(yīng)用于安防監(jiān)控的行人檢測、車輛檢測、人臉檢測等場景；局限性是計算量較大，對目標(biāo)的遮擋較為敏感，當(dāng)目標(biāo)出現(xiàn)嚴(yán)重遮擋時，紋理特征會被破壞，提取效果大幅下降。

2. LBP特征（局部二值模式）：核心原理是通過對比圖像局部區(qū)域內(nèi)中心像素與周圍像素的灰度值，將其轉(zhuǎn)化為二值編碼，再統(tǒng)計二值編碼的直方圖，構(gòu)建紋理特征向量。具體步驟分為：第一步，將原始圖像灰度化，選取圖像中的一個中心像素；第二步，以中心像素為原點，選取周圍一定范圍內(nèi)的像素（如3×3范圍內(nèi)的8個像素），將每個周圍像素的灰度值與中心像素的灰度值進(jìn)行對比，若周圍像素灰度值大于等于中心像素，則編碼為1，否則編碼為0，形成8位二值編碼；第三步，將二值編碼轉(zhuǎn)化為十進(jìn)制數(shù)值，作為該中心像素的LBP值；第四步，遍歷整個圖像，統(tǒng)計所有像素的LBP值的直方圖，即為圖像的LBP特征向量。LBP特征的優(yōu)勢是計算量小、速度快，對光照變化具有較強的適應(yīng)性，能夠有效捕捉圖像的局部紋理特征，廣泛應(yīng)用于人臉識別、紋理分類、皮膚病變檢測（如痤瘡、色斑檢測）、木材紋理分類等場景；局限性是對目標(biāo)的旋轉(zhuǎn)變化較為敏感，當(dāng)圖像發(fā)生旋轉(zhuǎn)時，LBP特征會發(fā)生明顯變化，影響區(qū)分效果，后續(xù)衍生出的旋轉(zhuǎn)不變性LBP特征（如圓形LBP、均勻LBP），一定程度上彌補了這一缺陷。

3. GLCM特征（灰度共生矩陣）：核心原理是通過統(tǒng)計圖像中不同灰度值像素之間的空間關(guān)系，構(gòu)建灰度共生矩陣，再從矩陣中提取特征參數(shù)（如對比度、相關(guān)性、能量、同質(zhì)性），構(gòu)建紋理特征向量?；叶裙采仃嚹軌蚍从硤D像中灰度值的分布規(guī)律和空間關(guān)聯(lián)，例如，紋理細(xì)膩的圖像，灰度值分布均勻，共生矩陣的能量值較高；紋理粗糙的圖像，灰度值變化劇烈，共生矩陣的對比度較高。GLCM特征的優(yōu)勢是能夠全面捕捉圖像的全局紋理特征，對紋理的區(qū)分能力較強，廣泛應(yīng)用于遙感圖像分類（如土地覆蓋類型分類）、醫(yī)學(xué)影像紋理分析（如腫瘤紋理檢測）、工業(yè)材料紋理分類（如金屬紋理、塑料紋理分類）等場景；局限性是計算量較大，對圖像的旋轉(zhuǎn)、縮放變化較為敏感，且特征維度較高，容易出現(xiàn)冗余，需要進(jìn)行特征降維處理。