捕捉图像的纹理规律，区分同类不同目标

纹理是图像中除了边缘、角点之外的另一类重要浅层特征，是图像中重复出现的灰度模式或色彩模式，能够反映图像的表面属性和结构特征——例如，布料的纹理、木材的纹理、皮肤的纹理、地面的纹理等。纹理特征的核心价值是：对于边缘轮廓相似但表面纹理不同的目标，能够通过纹理特征进行有效区分，弥补边缘特征的局限性。例如，苹果和橙子的轮廓相似，但表面纹理截然不同，通过纹理特征提取，可精准区分两者；不同种类的布料，轮廓可能一致，但纹理差异明显，纹理特征可作为区分依据。

传统纹理特征提取的经典算法主要有三类，其原理和适用场景各有不同：

1. HOG特征（方向梯度直方图）：核心原理是通过统计图像局部区域的梯度方向直方图，构建纹理特征向量。具体步骤分为：第一步，对原始图像进行预处理（灰度化、归一化），消除光照变化对纹理特征的影响；第二步，将图像划分为多个小细胞单元（如8×8像素），计算每个细胞单元内每个像素的梯度方向和梯度幅值；第三步，将多个细胞单元组合成一个块（如16×16像素），对块内的梯度方向直方图进行归一化处理，增强特征的稳定性；第四步，将所有块的梯度方向直方图拼接起来，形成整个图像的HOG特征向量。HOG特征的优势是对目标的姿态变化、缩放变化具有较强的适应性，抗噪声能力较好，能够捕捉目标的局部纹理和轮廓特征，是传统目标检测（如行人检测）中最常用的特征提取算法，广泛应用于安防监控的行人检测、车辆检测、人脸检测等场景；局限性是计算量较大，对目标的遮挡较为敏感，当目标出现严重遮挡时，纹理特征会被破坏，提取效果大幅下降。

2. LBP特征（局部二值模式）：核心原理是通过对比图像局部区域内中心像素与周围像素的灰度值，将其转化为二值编码，再统计二值编码的直方图，构建纹理特征向量。具体步骤分为：第一步，将原始图像灰度化，选取图像中的一个中心像素；第二步，以中心像素为原点，选取周围一定范围内的像素（如3×3范围内的8个像素），将每个周围像素的灰度值与中心像素的灰度值进行对比，若周围像素灰度值大于等于中心像素，则编码为1，否则编码为0，形成8位二值编码；第三步，将二值编码转化为十进制数值，作为该中心像素的LBP值；第四步，遍历整个图像，统计所有像素的LBP值的直方图，即为图像的LBP特征向量。LBP特征的优势是计算量小、速度快，对光照变化具有较强的适应性，能够有效捕捉图像的局部纹理特征，广泛应用于人脸识别、纹理分类、皮肤病变检测（如痤疮、色斑检测）、木材纹理分类等场景；局限性是对目标的旋转变化较为敏感，当图像发生旋转时，LBP特征会发生明显变化，影响区分效果，后续衍生出的旋转不变性LBP特征（如圆形LBP、均匀LBP），一定程度上弥补了这一缺陷。

3. GLCM特征（灰度共生矩阵）：核心原理是通过统计图像中不同灰度值像素之间的空间关系，构建灰度共生矩阵，再从矩阵中提取特征参数（如对比度、相关性、能量、同质性），构建纹理特征向量。灰度共生矩阵能够反映图像中灰度值的分布规律和空间关联，例如，纹理细腻的图像，灰度值分布均匀，共生矩阵的能量值较高；纹理粗糙的图像，灰度值变化剧烈，共生矩阵的对比度较高。GLCM特征的优势是能够全面捕捉图像的全局纹理特征，对纹理的区分能力较强，广泛应用于遥感图像分类（如土地覆盖类型分类）、医学影像纹理分析（如肿瘤纹理检测）、工业材料纹理分类（如金属纹理、塑料纹理分类）等场景；局限性是计算量较大，对图像的旋转、缩放变化较为敏感，且特征维度较高，容易出现冗余，需要进行特征降维处理。