自动重新加载图像-Blender（2.80）插件 方便的自动重新加载图像纹理 只需一点方便的插件，即可在信息标题属性面板： 刷新混合文件的所有图像 使用计时器来获取修改后的图像文件，并在需要时重新加载它们 这两个操作都会相应地更新视口和屏幕以显示新的图像文件 在用户首选项插件中设置计时器，它将每隔“ n”秒比较每个图像文件的修改时间。 如果更改了，它将重新加载！ 享受 ！ 这是发布链接： : 还有一个演示视频： :

为降低高效视频编码(HEVC)的帧内编码复杂度，提出一种基于图像纹理特征的编码单元(CU)划分和预测模式选择算法。利用一种预处理算法来获得当前CU的纹理复杂度和方向。一方面，根据CU的纹理复杂度，该算法自适应地跳过或终止部分CU划分，减少CU深度的遍历时间。纹理复杂度高的CU直接划分成4个子CU，纹理复杂度低的CU将会终止划分。另一方面，根据预测单元的纹理方向，确定相应的候选模式集，通过粗模式决策算法和率失真最优化算法遍历候选模式集选取最优模式。将算法移植到标准食品解码软件HM16.7平台上，实验结果表明，与HM16.7算法相比，编码时间平均减少53.66%，比特率上升0.46%，峰值信噪比下降0.05 dB。

在这个项目中，基于分割的分形纹理分析用于对不同的图像纹理进行分类。 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。 分类是通过使用带有内平方距离方法的凝聚层次聚类树进行的

基于matlab的图像处理——纹理特征提取方法

采用激光散斑的实验方法,拍摄了连续多幅不同加工工艺、不同表面粗糙度标准样块的散斑图像。利用基于灰度共生矩阵的纹理分析方法对图像的4 个特征参数——角二阶矩、惯性矩、相关性和熵进行了计算、统计与分析。研究表明,连续多幅激光散斑图像的各种参数取值会有波动,但整体趋于平稳；验证了表面粗糙度和特征参数之间存在着规律性的曲线关系；进一步消除了外界干扰和装置随时间的动态不确定性,使得实验结果更可靠,同时扩大了表面粗糙度和4 个特征参量之间的关系数据库,验证了激光散斑的方法对测量表面粗糙度具有较高的可信度。

基于频域最小距离的 SPOT(Pan) 图像纹理分类算法 - …

利用Gabor滤波器对图像进行纹理特征的提取，相信对大家的学习有帮助

基于matalb的图像纹理特征提取 基于灰度共生矩阵的纹理特征

遮挡模型下图像纹理分割算法--Images as occlusions of random textures: A framework for segmentation 源代码 在MatLab下运行

结构分析法 结构分析法：是分析图像纹理的结构，从中获取结构特征。 结构分析法首先将纹理看成许多纹理基元按照一定位置的规则组成，然后分两步处理如下： 该方法适用于规则和周期性纹理，实际中较少采用 纹理基元 提取纹理基元 推论纹理基元位置规律