1.紋理的定義

         紋理是一種反映影象中的同質的一種視覺特徵，它體現了物體表面的結構組織排列屬性。紋理特徵具有三大標誌：某種區域性序列性不斷重複、非隨機排列、紋理區域內大致為均勻的統一體。紋理不同於灰度、顏色等影象特徵，他通過畫素及其周圍空間鄰域的弧度分佈來表現，紋理具有區域性性，當局部紋理重複出現時就是全域性紋理資訊。

        紋理特徵體現全域性性質時，描述了影象或影象區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次影象的內容的。

紋理特徵的提取
    一幅影象的紋理實在影象計算中經過量化的影象特徵。影象紋理描述影象或其中小塊區域的空間顏色分佈和光強分佈。紋理特徵的提取分為基於結構的方法和基於統計資料的方法。一個基於結構的紋理特徵提取方法是將所要檢測的紋理進行建模，在影象中搜索重複的模式。該方法對人工何晨的紋理識別效果較好。但對於交通影象中的紋理識別，基於統計資料的方法更好。

  （1）LBP特徵
        LBP方法（Local binary pattterns）是一個計算機視覺中用於影象特徵分類的一個方法。LBP方法在1994年首先由T.Ojala等人提出【1】【2】，用於問題特徵提取。後來LBP方法和HOG特徵分類器聯合使用，改善了一些資料集上的檢測效果。

對LBP特徵向量進行提取的步驟如下：

       首先將檢測視窗劃分為16*16的小區域（cell），對於每個cell中的一個畫素，將其環形鄰域內的8個點（也可以是環形鄰域內的多個點，應用LBP演算法的三個鄰域）進行順時針或逆時針的比較，如果中心畫素值比該鄰點大，則將鄰賦值為1，否則賦值為0。這樣每個點都會獲得一個8為二進位制數。（轉換為10進位制數）然後計算每個cell的直方圖，即每個數字（十進位制的）出現的頻率（就是一個關於每一個畫素點是否比鄰域內點大的一個為禁止序列進行統計），然後對該直方圖進行歸一化處理。最後得到的每個cell的統計直方圖進行連線，就得到了整幅圖的LBP紋理特徵，然後便可利用SVM或者其他機器學習演算法進行分類。

[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)灰度共生矩陣

        灰度共生矩陣是另一種紋理特徵提取方法，首先對於一幅影象定義一個方向（orientation）和一個以pixel為單位的步長（step），灰度共生矩T（NXN），則定義M(i,j)為灰度為i和j的畫素同時出現在一個點沿所定義的方向跨度步長的點上的頻率。其中N是灰度級劃分數目。由於共生矩陣有方向和步長的組合定義，而決定頻率的一個因素是對矩陣有貢獻的畫素數目，而這個數目比總數目少，且隨著步長的增加而減少。因此所得到的共生矩陣是一個稀疏矩陣，所以灰度級劃分N常常減少到8級。如在水平方向上計算左右方向上畫素的共生矩陣，則為對稱共生矩陣。類似的，如果僅考慮當前畫素單方向（左或右）上的畫素，則稱為非對稱共生矩陣。