1、灰度共生矩阵
图像的纹理一般具有重复性，纹理单元往往会以一定的规律出现的图像上，因此这种图像中一定距离之内往往会有两两灰度相同的像素点对，这种特性就适合用灰度共生矩阵表示。
取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k^2;种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵
如图表示的即为角度为0°，距离为1，灰度等级为8级的灰度共生矩阵转换过程。后续还需要对其进行归一化。
2、特征表示
调用cooc_feature_image对应于操作符gen_cooc_matrix和cooc_feature_matrix的连续执行。如果要连续计算共现矩阵的多个方向矩阵，则通过gen_cooc_matrix生成矩阵，然后调用运算符cooc_feature_matrix得到的矩阵更有效。参数方向以角度或“均值”的方式传递邻域的方向。在“平均值”的情况下，平均值是在四个方向上计算的。
如图为Halcon文档cooc_feature_matrix中相关的解释。
（1）能量：表示灰度共生矩阵中的元素的平方和。能量越大，表示灰度变化比较稳定，反映了纹理变化变化的均匀程度。比如当像素值全部为1时，对应的共生矩阵中（1，1）有16个，其他为0，则能量为16*16，此时能量最大，灰度变化最稳定，因为都为0嘛。
（2）相关性：表示纹理在行或者列方向的相似程度。相关性越大，相似性越高。
（3）局部均匀性：反映图像局部纹理的变化量。值越大，表示图像局部的变化越小。
（4）反差（对比度）：表示矩阵的值的差异程度，也间接表现了图像的局部灰度变化幅度。反差值越大，图像中的纹理深浅越明显，表示图像越清晰；反之，则表示图像越模糊。
根据不同的图片通过选择不同的特征类型及值，即可进行缺陷检测，筛选出我们需要的区域。
如图为过程“detect_mura_defects_texture.hdev”，执行分水岭阈值后，通过能量（Energy）筛选出来的瑕疵。
