目标

根据纹理去分类（理解现实世界物理特性，比如根据纹理区分高尔夫球和水果）

过程

提取纹理基元—描述基元（滤波核），统计信息（均值，方差）

梯度二维图

可见左边图中，有横条，竖条，和树为主要纹理

把图在窗口内通过高斯偏导和，进行两个方向求强度

画图，右上角是横竖方向都有变化，左上角的是x方向边，右下角是y方向边

 可以看两个的距离，判断是不是一类纹理

 可以将二维图进行k means聚类，判断几类

缺点

但在实际过程中，尺度不知，很难框住我要的纹理去判断。比如特别小，连单个纹理都没覆盖，跟覆盖一群纹理，肯定不一样

改进

将窗变化，变化到一定程度，里面的特性（尺度特性，在两个轴上统计信息差不多）变化不大就行

实际

现实中，不止用两个滤波核（x与y方向偏导）往往用更多，表示信息。如下图用了48个滤波核。描述边，条，斑点，不同大小方向

 多变高斯

 然后对每一个点卷积，每一个点都有48维向量

比如下图有七个滤波，每一个横条里面的小格子是某一个滤波核对其中一张图片的过滤后的均值。然后发现B横条的白色格子对应“竖”，也就是左右差异大，属于图2。A白则是斜着的，对映图3，C白是斑点，对映图1。

我们就可以对新图检索(距离最近，排序）和分类

 分类可以用knn，小样本适合svm

应用

除了分类，还可以做目标检测

场景检测，进行38核卷积，用kmeans分10类，检测道路，斑马线，等。

 后续用于军事，监控

机器学习

这里提取基元，核定义由我们做，也可以给卷积神经网络去做，学习到超长卷积核，对于找类，可以用kmeans，对于分类可以用knn，svm。计算机视觉与机器学习结合，扩展空间很大