1.纹理特征的提取
如何提取图像的纹理特征 ?
现有的纹理特征方法包括：
统计型纹理特征：基于像元及其邻域内的灰度属性，研究纹理区域中的统计特征，或者像元及其邻域内灰度的一阶、二阶或者高阶统计特征。
模型型纹理特征：假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种策略进行图像分割，因此，模型参数的估计是这种方法的核心问题。事实上，基于深度学习的模型也是这一分类特征，如果我们可以训练完成一个深度网络能够有效的识别纹理特征，那么网络参数就是对纹理分布的预估计。
信号处理型纹理特征：建立在时域、频域分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换之后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一致性以及区域间的相异性。
结构型纹理特征：基于“纹理基元”分析纹理特征，着力找到纹理基元，认为纹理由许多纹理基元构成，不同类型的纹理基元、不同的方向及数目，决定了纹理的表现形式。
纹理特征的选择具有多样性，比如敏感vs不敏感，对特定区域敏感，对特定梯度敏感等等，针对不同的任务，可能有多种不同的纹理特征可以使用。由此我们需要明确我们提取纹理特征的任务是什么。
我们的任务是阴影识别，同时也可以是平面识别。因为平面识别在一定程度上能够有效地辅助阴影识别。两个任务的区别在于，阴影识别任务中纹理的特定具有不可描述性，阴影内部的纹理可能是多种多样的，其完全取决于阴影区域的纹理。而平面识别任务的纹理则有着经验可知的描述性，我们有理由去定义一个单一平面具有一致的纹理描述。综上，有理由相信纹理特征对于平面识别任务有着更好的识别性能。
但是以上推论需要实验的支撑，现有的模型大都没有平面识别的数据集，如何针对平面识别训练相应的模型？我认为可以尝试将平面与现在有的深度模型进行类比，即对RGBD模型进行预处理，得到可能的平面部分，从而对其中的大平面进行检测与识别。
