纹理特征是图像的基本特征之一，基于纹理的图像检索具有重要的意义，该程序能够快速的提取出图像的纹理特征并利用其进行快速图像检索

该代码为用gabor变换算法提取图像的纹理特征，用matlab编写，可应用于基于纹理的图像检索系统。其中还包含一篇gabor变换相关的文献

LBP是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen,和 D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特 征对于遥感影像分类精度的提高也有很重要的作用。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。

今天学习数字图像处理课，学到灰度共生矩阵，兴起，遂敲码解之。 方法摘自百度百科： 灰度直方图是对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。 取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2） 出现的总次数将它们归一化为出现的概率P（

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域 一个经久不衰的热点研究领域，纹理特征提取作为纹理分类与分割的首要问题．一直是人们关注的焦点，各种纹理 特征提取方法层出不穷。在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程，分析了其研究现状，对 纹理特征提取方法进行了较为全面的综述，对其进行分类和比较，最后给出了纹理研究领域的主要发展趋势。

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。

特征提取，包括对图像的基本处理方法和一些典型的特征提取方法的描述

根据2010年的一篇文献《automatic cloud classification of whole sky images》中的特征提取方法，提取了12维特征，分别有som聚类分类器和svm分类器进行分类。