总之，尽管纹理特征有其不足的一点，但就其优点而言，纹理特征是非常适合用于图像分类与检索领域的。基于纹理特征的图像分类与检索技术是当前主流的图像分类方法，纹理特征的研究是有实际意义的。

2。3 医学图像的特点

与普通图像相比，医学图像纹理具有以下四个特点[8]。

    （1）多模态性

由于医学图像成像原理不同，因此图像往往呈现多模态性。医学图像一般可以分为两大类，功能图像和解剖图像。前者是利用B超、X射线和CT等成像来描述人体生理解剖结构，提供器官空间位置信息。后者则是利用PET等成像来描述组织器官的功能状态，提供组织的生化信息。

    （2）数据异质性

数据异质性行是指显示和存储医学图像设备的不同导致的图像产生差异。这种性质容易导致图像的方向度、灰度和粗糙度等纹理特征的差异。医学图像的存储和通信具有多种标准，当前最通用的标准是DICOM3。0。 

    （3）模糊性

造成医学图像模糊性的主要原因是病变组织容易导致局部结构发生变化，从而难以确定局部的边缘。另外，人体组织的复杂性也使得很多部位的边界难以区分。

    （4）时空关联

人体组织是动态变化的，因此图像只能表达某一时刻的状态，如果不能及时的处理图像容易造成误判。

医学图像的以上特点使得它的处理与普通图像有所不同，选择合适的方法将能够提升处理的效率。如针对医学图像的时空关联性，需要处理方法具有及时性；对于模糊性，则需要处理方法有良好的边缘检测效果。文献综述

2。4 纹理特征的提取方法

2。4。1 概述

由于纹理的认识存在主观性，所以需要从纹理中提取可以表征纹理的信息。许多图像研究者都对纹理特征提取的方法进行了分类，当前最流行通用的就是四类分类法：结构法，统计法，频谱法和模型法。

2。4。2 统计法

统计法是最早用于纹理特征提取的方法之一，其方法思想简单，易于实现，在早期得到较多的关注。由于纹理特征是由图像像素的统计计算得到，因此具有随机分布的特性，所以可以用随机变量来描述纹理特征。统计方法主要思想是在纹理基元未知的情况下，通过图像中灰度级分布的随机属性来描述纹理特征。基于统计的方法主要有：灰度共生矩阵法、Tamura纹理分析法、局部二值模式法等。

（1）灰度共生矩阵法

灰度共生矩阵法(GLCM)是统计法中最经典的方法，该方法有十四个二阶统计量作为纹理特征，用于图像的分类识别，具有很好的鉴别能力，但其计算非常耗时。实际使用通常只用四个特征（能量、熵、相关性、惯性矩）即可实现较高精度的分类[9]。此外不少改进的灰度共生矩阵算法，如自适应多尺度的GLCM算法、基于遗传算法的GLCM等，不仅能减少计算量，而且能显著地提高分类效率。

（2）Tamura纹理分析

70年代末，Tamura等人[10]提出了Tamura纹理分析方法，该方法包含方向度、粗糙度、对比度等六个纹理特征，其中粗糙度、对比度和方向度三个分量在纹理合成、图像识别等方面具有很好的应用价值。由于Tamura纹理分析算法是基于生理视觉特征的提取方法，因此该方法有利于建立友好的图像检索系统界面。来,自.优;尔:论[文|网www.youerw.com +QQ752018766-

（3） 局部二值模式

局部二值模式(LBP)由Ojala[11]在2000年初提出，LBP起初只是作为图像局部对比度，后来才被提升为纹理描述的算子。单纯的LBP算法容易受位置影响，有较大的局限性，实际应用中常用LBP的改进算法如圆形LBP、旋转不变LBP等。LBP方法的优点是计算复杂度小、具有多尺度特性和旋转不变特性，已经成功应用于人脸检测、唇语识别、表情检测和动态纹理等领域。