7.3.1　统计法

统计分析方法主要是基于图像像素的灰度值的分布与相互关系，找出反映这些关系的特征，基本原理是选择不同的统计量对纹理图像的统计特征进行提取。这类方法一般原理简单，较易实现，但适用范围受到限制。该方法主要适合数字图像中那些没有明显规则性的结构图像，特别适合于具有随机的、非均匀性的结构。Gotlieb和Kreyszig等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。

统计分析方法中，最常用的是共生矩阵法，其中有灰度共生矩阵(Gray Level Co－occurrence Matrix，GLCM)和灰度—梯度共生矩阵。杜克大学的R.Voracek等使用GLCM对肋间周边区提取的兴趣区(Region Of Interest，ROI)进行计算，测出了有意义的纹理参数。另外，还有长游程法(Run Length Matrix，RLM)，其纹理特征包括短游程优势、长游程优势、灰度非均匀化、游程非均匀化、游程百分比等，长游程法是对图像灰度关系的高阶统计，对于给定的灰度游程，粗的纹理具有较大的游程长度，而细的纹理具有较小的游程长度。