利用灰度共生矩阵能提取图像纹理信息的特点,在灰度共生矩阵的14个纹理特征值中选取与纹理周期性相关的特征值,对三维测量中强度有规律重复分布的变形条纹图像的周期进行分析,能准确得出条纹的周期数,或者每周期中的像素个数,给傅里叶变换轮廓术的滤波操作等后续条纹分析提供参考依据。对模拟条纹和实拍条纹的周期分析、纹理特征提取实验表明灰度共生矩阵提取的条纹周期参数与实际值相符合,能准确反映条纹图像的周期特性,可用于条纹分析的实际应用中。

本文提出了一种基于哈达玛变换的频谱图像灰度共生矩阵(Hadamard-GLCM)的高强度聚焦超声治疗无损测温方法。利用高强度聚焦超声辐照新鲜离体猪肉组织, 获取辐照前后的B超图像的减影图像, 采用Hadamard变换对其进行处理, 获取频谱图像, 将频谱图像的灰度共生矩阵惯性矩作为反应温度变化的信息参数。实验表明: 不仅单组数据的Hadamard-GLCM惯性矩(HGMI)和温度能很好的线性拟合, 而且多组数据的Hadamard-GLCM惯性矩与温度也成近似的线性关系, 而且斜率非常接近, 拟合度更接近1, 误差小, 对温度的分辨能力高, 容错能力强, 与传统的测温方法相比有着明显的优势, 能为HIFU治疗过程中的无损测温提供有效的实时依据。

应用高光谱成像技术, 基于光谱主成分信息和图像信息的融合实现名优绿茶不同品牌的鉴别。 首先采集6个品牌名优绿茶在380～1 023 nm波长范围的512幅光谱图像, 然后提取并分析绿茶样本的可见近红外光谱响应特性, 结合主成分分析法找到了最能体现这6类样本差异的2个特征波段(545和611 nm), 并从这2个特征波段图像中分别提取12个灰度共生矩阵纹理特征参量包括中值、 协方差、 同质性、 能量、 对比度、 相关、 熵、 逆差距、 反差、 差异性、 二阶距和自相关,最后融合这12个纹理特征和三个主成分特征变量得到名优绿茶品牌识别的特征信息, 利用LS-SVM建立区分模型, 预测集识别率达到了100%, 同时采用ROC曲线的评估方法来评估分类模型。 结果表明综合应用灰度共生矩阵变量和光谱主成分变量作为LS-SVM模型输入可实现对绿茶品牌的鉴别。

针对挠性印制电路板(FPC)上的焊盘表面缺陷，提出一种基于图像处理技术的智能检测方法。首先，根据缺陷的表现形式对焊盘缺陷进行归纳与分类，采用最大熵值法量化提取焊盘的颜色特征和面积特征；然后，通过评估灰度共生矩阵(GLCM)对纹理颜色变化特征与纹理结构特征量化的有效性，将其应用于焊盘纹理特征的量化与提取。实验分析显示，缺陷焊盘与非缺陷焊盘在某个或多个特征上存在着明显的差异。基于该特点，建立了BP神经网络，以焊盘的颜色、面积、纹理结构、纹理颜色变化特征值作为神经网络的输入，通过学习大量样本，获取最佳权值参数，最终实现对FPC焊盘表面缺陷的检测,检测准确率高达94.6%，50个焊盘的检测时间为300 ms。实验结果表明：本文提出的检测方法不仅能够有效地对焊盘表面缺陷进行识别，而且能够满足在线检测对速度的要求。

针对各类背景图像在纹理特征上的不同，提出一种基于灰度共生矩阵和主成分分析的背景图像分类方法.在合理构造灰度共生矩阵的基础上，提取14个GLCM纹理特征值，然后对其进行主成分分析得到纹理综合特征函数.实验表明，纹理综合特征函数能够有效对不同类背景图像进行分类.

苹果识别是开发苹果采摘机器人的关键环节, 利用图像处理技术和神经网络分类器探索苹果图像分割算法。从苹果树图片中选取苹果图像样本和背景图像样本, 分别计算这两类图像样本的颜色特征和纹理特征。颜色特征的计算基于RGB色彩模型, 纹理特征的计算基于灰度共生矩阵。选取适当的颜色特征(R/B值)和纹理特征(对比度值和相关性值)作为输入节点, 利用反向传播神经网络分类器建模, 输出值是一个0～1之间的计算值。通过阈值将输出结果分类为苹果或背景。试验结果表明, 该算法正确率大于87.6%, 对光照的影响不敏感, 是一种较为实用的苹果分割算法。