在陶制文物的虚拟复原过程中，由于其本身质地、环境及人为因素等影响，文物碎片易受损缺失，基于断裂部位几何信息的传统拼接方法存在一定局限性。针对断裂部位缺损的陶制文物碎片，提出一种结合碎片表面纹理特征及断裂边界轮廓线的拼接方法：利用曲率确定潜在脊点，并用最小二乘法拟合，提取碎片表面纹理特征线；结合纹理形状边长及顶点角度信息进行纹元分析，构造破损纹理约束条件，实现初步匹配；将断裂边界轮廓角点集合中的相邻两点连接为弦，形成轮廓线弦长序列描述子，对轮廓线位置信息进行约束，得到最终匹配对。结果表明，此算法能实现断裂部位缺损陶制文物碎片的拼接，对具有显著纹理特征的碎片拼接具有一定的优越性。

里面包含了常用纹理特征提取方法（matlab）,包括：分形维数、灰度差分统计、GMRF、Gabor、LBP

包括计算共生矩阵、对共生矩阵归一化、对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数、求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征

本文主要研究了通过灰度共生矩阵提取纹理特征图像的方 法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵 提取的纹理特征对图像分类精度提高起到一定的作用。

随着计算机视觉的发展，机器人需要从图像序列中检测目标物体以进行自主导航。 为了识别目标，自主机器人的感知系统首先需要将图像分割为不重叠但有意义的区域，这些区域基于低级特征，例如颜色，纹理度量和形状等。作为重要组成部分，Gabor小波通常用作纹理由于它是人脑V1区域中单个细胞的空间感受野的数学近似值，因此具有一些特征。 这些Gabor纹理测度的问题是特征提取过程中卷积涉及的高计算成本。 为了部分解决该问题，在本文中，我们仔细研究了用于形成纹理特征的Gabor小波的行为，发现只有一小部分滤波器对识别过程有重要贡献。 实验结果表明，通过删除冗余滤波器，可以在更短的时间内获得更好的性能。

针对行人检测算法中存在特征鲁棒性差及分类器拟合非线性数据能力弱等问题,提出一种基于纹理特征和深度学习分类算法的行人检测方法.提出一种改进的GSRLBP纹理特征提取算法,提取行人图像的局部纹理特征,通过获取像素点的梯度信息结合GSRLBP算法消除微小扰动对行人特征提取的影响,进一步增强特征提取的鲁棒性.搭建基于深信度网络的深度学习行人样本分类器,利用多层受限波兹曼机搭建分类器输入端和中间层,将行人纹理特征信息逐层转化和传递,实现特征数据的自学习,利用BP神经网络搭建分类器的输出端,实现分类器结构的自优化.研究结果表明,该算法可行、有效,且性能优于经典浅层机器学习行人检测算法.

针对现有的基于图像底层特征的显著性检测算法检测准确度不高的问题，提出了一种基于颜色和纹理特征的显著性检测算法。在RGB和Lab颜色空间上，同时考虑了图像的颜色对比度特征、纹理特征。运用二维信息熵作为衡量显著图的性能标准，选取最优的颜色通道，并且针对颜色及纹理的不同特点，给出了各自的显著性特征融合方法。在公开的数据库中与四种流行的算法实验对比，实验结果证明了算法的有效性。

使用 SFTA（基于分割的分形纹理分析）算法从图像中提取纹理特征。 要提取特征，请使用 sfta(I, nt) 函数，其中 I 对应于输入灰度图像，nt 是定义特征向量大小的参数。 特征以 1 by (6*nt -3) 向量的形式返回。 例子： I = imread('coins.png'); D = sfta(I, 4) SFTA算法简述： 提取算法包括将输入图像分解为一组二进制图像，从中计算结果区域的分形维数，以描述分割的纹理模式。 描述 SFTA 算法的出版物： 科斯塔，AF，GE Humpire-Mamani，AJM Traina。 2012. “纹理分形分析的有效算法”。 在 SIBGRAPI 2012（图形、图案和图像第二十五届会议）中，39-46，巴西欧鲁普雷图。 在这里，我展示了如何使用 SFTA 对纹理进行分类： http://www.alceufc.co

纹理特征提取技术，包括灰度共生矩阵，灰度梯度矩阵，用于图像的分类识别

针对现有方法在高密度场景人群密度估计不够准确的问题，提出了Gabor滤波结合最小二乘支持向量机（LS-SVM）的人群密度估计算法。首先，设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后，通过计算这些通道上灰度值的均值和方差得到特征向量。最后，采用最小二乘支持向量机分析特征向量和人数之间的关系，完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示，提出的方法实现了更快的执行时间和更好的精度，证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。