前言：
{
之前在工作中了解到了纹理分析的相关方法，但也见到了一些从未见过或已经忘记的概念，这次就来记录一下这些概念。
}
正文：
{
矩（moment）的一组数据的一种属性，其定义如式1[1]。
式1
其中
是f(x)的n阶矩；如果没特别说明，c一般为0。
可见，像图像这样的离散数据，其0阶具就是其像素值的总和。
游程长度编码（Run-length encoding，RLE）很简单，就是把一个方向上连续相同的元素变成个数+元素的形式。例如在[2]中，WWWWWWWWWWWWBWWWWWWWWWWWWBBBWWWWWWWWWWWWWWWWWWWWWWWWBWWWWWWWWWWWWWW被变成12W1B12W3B24W1B14W。
由此可见，图像的某一方向的游程长度也可以作为此图像的特征。
自相关（Autocorrelation）在[3]中信号处理中的定义如式2。
式2
其中f(t)是t时间下的信号值；
为延迟（滞后）；当f为实值函数[4]时，
。
由此可见，图像像素在某一个方向上的自相关性也是一种度量纹理的特征。
共生矩阵（Co-occurrence matrix）的定义也比较简单。式3是[5]中对图像的共生矩阵的定义。
式3
其中I为图像的某种值，一个共生矩阵C对应一对△x和△y。当I为图像的灰度时，C即为此图像的灰度共生矩阵。
可见，当△x和△y设置妥当时，图像内容的重复性越大，C中对角线上的值越大。
}
结语：
{
其实还有“边缘频率”，不过我没搜到相关信息，所以就没在标题中写出。
参考资料：
{
[1]https://en.wikipedia.org/wiki/Moment_(mathematics)
[2]https://en.wikipedia.org/wiki/Run-length_encoding
[3]https://en.wikipedia.org/wiki/Autocorrelation_function
[4]https://en.wikipedia.org/wiki/Function_of_a_real_variable
[5]https://en.wikipedia.org/wiki/Co-occurrence_matrix
}
}
