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。
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。
纹理特征可以分为四种类型：
（1）统计型纹理特征
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。
统计型纹理特征中以GLCM（灰度共生矩阵）为主，它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。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。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。
（2）模型型纹理特征
假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种策略进行图像分割。
模型型纹理特征提取方法以随机场方法和分形方法为主。
随机场模型方法：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。
分形模型方法：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。分数维在图像处理中的应用时以两点为基础：（a）自然界中不同种类的形态物质一般具有不同的分形维；（b）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。分形维描述纹理的核心问题是如何准确地估计分形维。
（3）信号处理型纹理特征
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。
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。
一种方向性纹理织物疵点的检测方法
织物疵点检测的方法有很多，其中与人视觉功能相似的小波和Gabor滤波器是近年来提出的两个重要的方法，两者都有多尺度、多分辨率的特性，适用于针对不同特征的疵点检测。Gabor滤波器作为一种方向性滤波器，在时域和频域都有着很好的局部性，适合用于具有方向的纹理检测。由于布匹纹理有斜纹理和水平垂直纹理两大类，因此，在纹理方向不同的情况下，用一个方向的Gabor滤波器将导致检测结果不佳，而用多个方向的Gabor滤波器进行滤波则会降低算法的实时性。最好的解决方法是让滤波器一开始就获得纹理方向，Hough变换便可以解决这个问题。Hough变换在织物纹理分析中，可针对已有的织物疵点图像，用于纹理的校正和测量织物纹理的能量主方向。本文提出一种针对方向性纹理的织物疵点检测方法。
首先，利用Hough获取织物的纹理主方向及其正交方向，由Gabor滤波器沿着这两个方向分别进行滤波，取模值图像为输出；
然后，应用最大熵对两个输出模值图像进行二值化分割，融合这两个分割后的图像并进行形态学处理和去除孤立点；
最后，得到疵点图像检测结果。
算法针对纹理性疵点如缺经、断纬，具有良好的效果；但针对破洞和油污这两类非纹理性的疵点，检测效果则比较一般。原因在于破洞疵点的内部有着稀疏的纹理变化对Gabor滤波器的滤波产生了干扰，而油污在方向上掩盖了原有的纹理。
（4）结构型纹理特征
基于“纹理基元”分析纹理特征，着力找到纹理基元，认为纹理由许多纹理基元构成，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。
LBP纹理特征
LBP方法（Local binary patterns 局部二值模式）是一个计算机视觉中用于图像特征分类的一个方法。
提取LBP特征向量步骤：
（1）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）。
（2）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，然后对该直方图进行归一化处理。
（3）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。
