1、什么是纹理，纹理分类及其意义：作为一种重要的视觉线索,纹理广泛存在于自然界各种物体的表面；传统意义上，在图像中纹理是特征值强度的某种局部重复模式的宏观表现，局部模式重复和平稳性是其主要特点；纹理图像分类是指基于待分类图像或图像区域的内容为其指定一个预先定义的纹理类别；广泛应用于视觉导航、场景分类、物体识别、人脸识别、智能视频分析、基于内容的图像和视频检索、遥感图像分析、工业检测、医学图像分析和文本分类等；
2、图像纹理特征分析历史：①有关图像纹理特征分析的研究最早可追溯到1962年Julesz的工作；②1993年, Tuceryan和Jain对早期的纹理特征提取方法进行总结,将其大致分为五类 : 基于统计的特征、基于几何的特征、基于结构的特征、基于信号处理的特征和基于模型的特征；③1993年, Reed和Du Buf对自1980年以来的纹理特征和纹理分割方法做了简要综述；④1999年, Randen和Husøy对基于信号处理的纹理特征的分类性能做了详细的实验比较综述；⑤2002年, Zhang和Tan的综述着重讨论了不变性纹理特征提取方法；⑥2007年, Zhang等对当前几种主要的不变性纹理特征提取方法在纹理分类和物体识别中的性能进行了评估；⑦2008年, Xie和Mirmehdi对已有的主要纹理特征提取方法进行了简单的介绍,并没有进行归类；⑧2009年,刘丽和匡纲要对已有纹理特征提取方法进行了归类和总结；Julesz B. Visual pattern discrimination. IRE Transactions on Information Theory, 1962, 8(2): 84−92Tuceryan M, Jain A K. Texture analysis. Handbook of Pat-tern Recognition and Computer Vision. Singapore: WorldScientific, 1993. 235−276Reed T R, Dubuf J M H. A review of recent texture segmentation and feature extraction techniques. CVGIP: Image Understanding, 1993, 57(3): 359−372Randen T, Husoy J H. Filtering for texture classification:a comparative study. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1999, 21(4): 291−310Zhang J G, Tan T N. Brief review of invariant texture analysis methods. Pattern Recognition, 2002, 35(3): 735−747Zhang J, Marszalek M, Lazebnik S, Schmid C. Local features and kernels for classification of texture and object categories: a comprehensive study. International Journalof Computer Vision, 2007, 73(2): 213−238Xie X, Mirmehdi M. A galaxy of texture features. Handbook of Texture Analysis. London: Imperial College Press,2008. 375−406刘丽, 匡纲要. 图像纹理特征提取方法综述. 中国图象图形学报,2009, 14(3): 622−635Pietikäinen M, Zhao G Y. Two decades of local binary patterns: a survey. Advances in Independent Component Analysis and Learning Machines. Amsterdam, The Netherlands: Elsevier, 2015. 175−210
3、纹理分类的难点和挑战：纹理图像分类是指基于待分类图像或图像区域的内容为其指定一个预先定义的纹理类别；纹理特征描述和分类器是图像分类的两个关键环节；我们将纹理图像分类的难点与挑战分为两个层次:1)实例层次：就单幅纹理图像而言,通常由于图像采集过程中光照条件、拍摄视角、拍摄距离和拍摄表面的非刚体形变等,使得纹理表观特征产生很大的变化,给纹理分类算法带来难度；2)类别层次：困难与挑战通常来自三个方面：①是存在较大的类内差异,也即属于同一类的纹理表观特征差别比较大,其原因一方面包括前面提到的各种实例层次的变化,更重要的是由于类内不同实例的差异;②是类间模糊性,即不同类别的纹理实例具有一定的相似性；③是噪声的干扰,在实际场景下,可能出现模糊和随机噪声以及雨雾雪的影响等；这些使得识别问题的难度大大增加。纹理图像特征描述要同时考虑以下三个相互矛盾的指标：第一强可区分能力；第二高鲁棒性；第三低计算复杂度和低存储；
4、纹理分类与纹理数据集：①数据是视觉识别研究中一个非常重要的因素；②纹理数据集在纹理识别研究中起着重要的作用：一方面,标准数据集便于让研究者公平地进行算法方面的比较；另一方面,随着大数据时代的到来,对数据集进一步丰富、完备的要求更加迫切；在数据足够多的情况下,可能最简单的模型、算法都能得到很好的效果。【注】：有关纹理数据库的描述可参见黄凯奇,任伟强,谭铁牛.图像物体分类与检测算法综述.计算机学报,2014,37(6): 1225−1240；
5、近期纹理特征提取方法：目的：纹理分类算法通过手工特征或者特征学习方法对整个图像进行全局描述,将原始数据变换成一个合适的特征矢量,使得分类器能够基于该特征矢量进行分类任务；上世纪末至今,纹理分类方法呈现一个新的局面,研究者们把Julesz的Texton理论以一个新面孔重新搬上了历史舞台, 即提出 Bag of Textons(BoT)的纹理分类方法；这就是计算机视觉领域的一个重要模型–词包模型(Bag of Words, BoW)。BoW词包模型标准物体分类框架：局部纹理特征提取：特征编码：密集提取的底层特征中包含了大量的冗余与噪声, 为提高特征表达的鲁棒性,需要使用一种特征变换算法对底层特征进行编码,从而获得更具区分性、更加鲁棒的特征表达；特征汇聚：特征编码后,每一个局部特征都将在视觉词典的一个或多个视觉单词上产生表达； 对视觉词典上的响应进行特征汇聚和特征集整合操作得到图像的全局向量表达；特征分类：从图像提取到特征表达之后,一张图像可以使用一个固定维度的向量进行描述, 接下来就是学习一个分类器对图像进行分类；常用的分类器有SVM 、最近邻、神经网络、随机森林等；
6、纹理分类问题的思考：纹理特征描述子和一般的图像特征描述子的界限逐渐缩小；然而,对于实际开放环境中多种多样的自然图像纹理分析和理解,仍然需要在理论和算法方面开展创新研究,以更好地学习和表达纹理特征,并且在完善理论分析的同时,推进纹理特征提取方法在实际工程中的广泛应用；其中有待进一步研究解决的重要课题包括 :1) 大规模纹理数据库构建问题；2) 有关纹理的定义问题；3) 适合纹理分析与理解的深度卷积神经网络研究；4) 纹理图像的高效分类方法研究；5) 开放环境下鲁棒纹理分类问题；6) 纹理图像语义理解问题；
