1.紋理特征的提取

如何提取圖像的紋理特征 ?

現有的紋理特征方法包括：

統計型紋理特征：基于像元及其鄰域內的灰度屬性，研究紋理區域中的統計特征，或者像元及其鄰域內灰度的一階、二階或者高階統計特征。

模型型紋理特征：假設紋理是以某種參數控制的分布模型方式形成的，從紋理圖像的實現來估計計算模型參數，以參數為特征或采用某種策略進行圖像分割，因此，模型參數的估計是這種方法的核心問題。事實上，基于深度學習的模型也是這一分類特征，如果我們可以訓練完成一個深度網絡能夠有效的識別紋理特征，那么網絡參數就是對紋理分布的預估計。

信號處理型紋理特征：建立在時域、頻域分析與多尺度分析基礎之上，對紋理圖像中某個區域內實行某種變換之后，再提取保持相對平穩的特征值，以此特征值作為特征表示區域內的一致性以及區域間的相異性。

結構型紋理特征：基于“紋理基元”分析紋理特征，著力找到紋理基元，認為紋理由許多紋理基元構成，不同類型的紋理基元、不同的方向及數目，決定了紋理的表現形式。

紋理特征的選擇具有多樣性，比如敏感vs不敏感，對特定區域敏感，對特定梯度敏感等等，針對不同的任務，可能有多種不同的紋理特征可以使用。由此我們需要明確我們提取紋理特征的任務是什么。

我們的任務是陰影識別，同時也可以是平面識別。因為平面識別在一定程度上能夠有效地輔助陰影識別。兩個任務的區別在于，陰影識別任務中紋理的特定具有不可描述性，陰影內部的紋理可能是多種多樣的，其完全取決于陰影區域的紋理。而平面識別任務的紋理則有著經驗可知的描述性，我們有理由去定義一個單一平面具有一致的紋理描述。綜上，有理由相信紋理特征對于平面識別任務有著更好的識別性能。

但是以上推論需要實驗的支撐，現有的模型大都沒有平面識別的數據集，如何針對平面識別訓練相應的模型？我認為可以嘗試將平面與現在有的深度模型進行類比，即對RGBD模型進行預處理，得到可能的平面部分，從而對其中的大平面進行檢測與識別。