文字就是关于纹理图像方面的，把纹理的几个特征参数表现出来：熵，能量特征，对比度，均匀度特征和像素对灰度的相关性.
具体如下：有一些公式没办法粘贴出来
灰度共生矩阵
灰度共生矩阵 是一个二维相关矩阵，其定义如下：首先规定一个位移矢量 ，然后，计算被 分开且具有灰度级 和 的所有像素对数．位置矢量为 (1, 1)是指像素向右和向下各移动一步．显然，灰度级数为 时，灰度共生矩阵是一个 矩阵．例如，考虑一个具有灰度级0、1、2的简单 图像，如图1.1(a)所示，由于仅有三个灰度级，故 是一个 矩阵．在 图像中，共有16个像素对满足空间分离性．现在来计算所有的像素对数量，即计算所有像素值 与像素值 相距为 的像素对数量，然后，把这个数填入矩阵 的第 行和第 列．例如，在规定距离矢量 分离下，有三对像素值为 [2, 1]，因此，在 项中填写3．完整的矩阵如图1.1(b)．
由于具有灰度级 的像素对数量不需要等于灰度级 的像素对数量，因此， 是非对称矩阵． 与像素对的总数之比称为归一化矩阵．在上面的例子中，每一项除以16就得到归一化矩阵．由于归一化矩阵 的各元素值总和为1，因此，可以把它视为概率质量函数．
图1.1(a) 一幅 图像，具有三个灰度级0, 1, 2；(b) 灰度共生矩阵，距离向量为 ．
灰度共生矩阵表示了图像灰度空间分布，这可以很容易用下面的一个简单例子说明．考虑一幅棋格为 的二值化图像，如图1.2(a)所示．其中每一个方格对应一个像素．由于有两级灰度，所以 是一个 的矩阵．如果我们仍然定义距离向量 ，则得到归一化矩阵 ，如图1.2(b)所示．注意由于像素结构的规则性，像素对仅仅出现 和 ．矩阵的非对角元素为零．同理，如果定义距离向量 ，则 (0, 1) 和 (1, 0) 是两个仅有的输入项，如图1.2 (c),其中对角元素为0．
图1.2 (a) 棋格图像．(b) 距离为 的灰度共生矩阵．(c) 距离 的灰度共生矩阵．
[size=1]文字 (1.1)
注意：当矩阵 的所有项皆为零时，其熵值最高．这样的矩阵对应的图像不存在任何规定位移向量的优先灰度级．当P[i,j]的值分布越均匀则式（1.1）的结果值越大，描述了纹理均衡性的逆性质。
使用灰度共生矩阵也可以定义能量特征、对比度特征和均匀度特征：
(1.2) (1.3)
式(1.3)表示图像全部像素对的灰度差为（│i-j│）的平均值，灰度差即对比度大的像素对越多，这个值就越大。
(1.4)
像素对灰度的相关性= （1.5）
其中µkσk,分别为k的均值和方差。
式（1.5）计算的结果取值在-1~1之间，与d相关的像素对的灰度值成比例的增大，是描述d的周期性的模式。
位移向量 是定义灰度共生矩阵的重要参数．有时，同现矩阵是通过计算几个位移向量得到的．有时也用到 的统计测量极大值．灰度共生矩阵特别适用于描述微小纹理，而不适合描述含有大面积基元的纹理，因为矩阵没有包含形状信息．灰度共生矩阵广泛用于遥感中的地形分类等领域．
附件中有这部分内容的公式
