纹理作为图像最显著的特征之一，已经成为图像分析和处理领域中一个重要的研究方向。在过去的几十年里，相关的研究取得了不错的成果，纹理特征的提取技术有了非常大的进展。纹理特征提取的方法大体上可以分为结构分析法、频域分析法、统计分析法和模型法四个大类。国内外研究学者对图像纹理特征提取的研究很多都取得了丰硕的成果。23122
早在 1966 年，Brodatz [2][14][18]通过大量的实验，研究出了一个具有广泛适用性的纹理分析数据源，即 Brodatz 纹理库。它使得人们在选择纹理分析图像可以直接选择该纹理库中的图像，不再具有盲目性。论文网
二十世纪 70 年代，对图像纹理特征的研究开始被人们重视。早期的纹理特征提取方法在当时的纹理特征分析和识别中起到了一定的作用，但是由于这些算法有较大的计算工作量，而且对纹理的空间信息描述不够充分，他们很少出现在后续的研究中了。1973 年，Haralick 等人提出通过灰度共生矩阵表示图像的纹理特征，它通过像素之间的位置相对关系构造共生矩阵[2][3]，纹理信息通过图像像素与像素之间的空间灰度依赖关系表示，并将图像的纹理特征通过若干个从共生矩阵中获得的参数表示，用以表述图像的纹理特征信息。
二十世纪 80 年代，结构化纹理分析方法逐渐深入和广泛应用，纹理分析方法进入到了模型化阶段。这种基于模型的纹理分析方法不仅能描述图像的纹理，还在纹理的合成方面有重要的应用。基于模型的纹理分析方法最早的就是MRFs(Markov random fields)马尔科夫随机场模型[10]，它将图像的纹理假定为一个随机的二文图像场，某一像素点的取值由其周围邻域像素点的取值唯一决定，这样，图像中局部纹理的上下文信息就可以捕捉到了。
二十世纪90年代 ,人们发现不能从多尺度有效描述纹理特征是传统纹理分析方法的一个瓶颈。时频多尺度分析随着小波理论的出现具备了一个更加统一而精确的框架。傅里叶变换是非常有效的一种处理图像的方法，在局部Fourier变换的基础上，人们提出了基于 Gabor 滤波器的算法。Gabor 滤波器的方法易于感知，符合人的视觉特点[3][21]，被国内外学者所重视，成为未来图像纹理分析的主要发展方向之一。   
近年来，Ojala 等人提出了LBP（Local Binary Pattern，局部二进制模式）[13]，该方法在纹分析中凭借较小的计算复杂度，良好的旋转不变性和尺度不变性，在纹理分析检测领域得到了普遍的应用。 图像纹理特征提取国内外研究现状:http://www.youerw.com/yanjiu/lunwen_16055.html