提取方法：
灰度共生矩阵-python
灰度梯度共生矩阵–python

纹理特征

纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，常用于图像分类和场景识别。其只能反映物体表面的特性，无法完全反映出物体的本质属性，所以仅仅利用纹理特征无法获得图像的高层次内容。
优点：
1. 具有旋转不变性
2. 具有良好的抗噪性能。
缺点：
1. 当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差
2. 有可能受到光照、反射情况的影响
3. 从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理

常用的纹理特征提取方法一般分为四大类：
1.基于统计的方法：灰度共生矩阵、灰度行程统计、灰度差分统计、局部灰度统计、半方差图、自相关函数等
优点：方法简单，易于实现。
缺点：无法利用全局信息，与人类视觉模型不匹配；计算复杂度较高，计算耗时。

较为经典的算法为灰度共生矩阵方法，其通过统计不同灰度值对的共现频率得到灰度共生矩阵，基于矩阵可计算出14种统计量：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。
灰度梯度共生矩阵将图梯度信息加入到灰度共生矩阵中，综合利用图像的灰度与梯度信息，效果更好。图像的梯度信息一般通过梯度算子(也称边缘检测算子)提取，如sobel、canny、reborts等。

2.基于模型的方法：同步自回归模型、马尔可夫模型、吉布斯模型、滑动平均模型、复杂网络模型等
3.基于结构的方法：句法纹理分析、数学形态学法、Laws纹理测量、特征滤波器等
4.基于信号处理的方法：Radon变换、离散余弦变换、局部傅里叶变化、Gabor变换、二进制小波变换、树形小波分解等

参考：
灰度共生矩阵（GLCM）附Python代码
图像纹理特征总体简述