什么是纹理图像？
纹理有三大标志:一定的局部顺序重复，非随机排列，纹理区域大致均匀统一。纹理不同于灰度、颜色等图像特征。它由像素及其周围空间邻域的灰度分布来表示，即局部纹理信息。局部纹理信息具有不同程度的重复性，即全局纹理信息。
与灰度、颜色等图像特征不同，纹理是用像素及其周围空间邻域的灰度分布来表示的，即局部纹理信息。另外，局部纹理信息在不同程度上的重复性就是全局纹理信息。
纹理特征不仅反映了全局特征的性质，还描述了图像或图像区域对应的场景的表面性质。但是，由于纹理只是物体表面的特征，不能完全反映物体的本质属性，因此仅利用纹理特征无法获得高层次的图像内容。
与颜色特征不同，纹理特征不是基于像素特征，而是需要在包含多个像素点的区域内进行统计计算。在模式匹配中，这种区域特征有很大的优势，不会因为局部偏差而无法匹配成功。
在检索厚度和密度差异较大的纹理图像时，利用纹理特征是一种有效的方法。而当纹理之间差别不大时，如厚度、密度等，就很难准确反映不同视觉感受的纹理之间的差异。
比如在水中的反射，光滑金属表面的相互反射，都会导致质感的变化。因为这些都不是物体本身的特征，当纹理信息应用于检索时，有时这些虚假纹理会“误导”检索。
扩展数据:
纹理图像分类
1，统计纹理特征。基于像素及其邻域的灰度属性，研究了纹理区域内的统计特性或像素及其邻域内灰度的一阶、二阶或高阶统计特性。
灰度生成矩阵(GLCM)是主要的统计纹理特征，是一种基于估计图像二阶组合条件概率密度的方法。GLCM主要描述了被d个像素分开的一对像素在θ方向上分别具有灰度值I和J的概率。
虽然GLCM提取的纹理特征具有很好的判别能力，但是这种方法计算量大，尤其是对于像素级的纹理分类。此外，GLCM的计算非常耗时。幸运的是，研究人员不断提出改进方案。
2.模型纹理特征。假设纹理是由一些参数控制的分布式模型形成的，从纹理图像的实现来估计和计算模型的参数，以参数为特征或采用某种策略对图像进行分割。因此，模型参数的估计是该方法的核心问题。
模型纹理特征提取方法主要有随机场法和分形法。
3.信号处理纹理特征。在时域分析、频域分析和多尺度分析的基础上，对纹理图像的某一区域进行一定的变换后，提取一个相对稳定的特征值，并以此特征值作为表征区域内一致性和区域间相异度的特征。
信号处理类的纹理特征主要是利用某种线性变换、滤波器或滤波器组将纹理变换到变换域，然后应用某种能量准则提取纹理特征。因此，基于信号处理的方法也称为滤波法。大多数信号处理方法都是基于这样的假设，即频域能量分布可以识别纹理。
4.结构纹理特征。本文以“纹理基元”为基础，分析纹理特征，寻找纹理基元。认为纹理是由许多纹理基元组成的，不同类型的纹理基元，不同的方向和数目决定了纹理的表现形式。
百度百科-图像纹理