相关性可以度量空间灰度共生矩阵元素在行或列方向上的相似程度。因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值；
    (4)熵(Entropy)。
   
    熵是图像所具有的信息量的度量，纹理信息也属于图像的信息。若图像没有任何纹理，则灰度共生矩阵几乎为零，则熵值接近为零；若图像充满着细纹理，P(i，j)的数值近似相等，则该图像的熵值最大；若图像中分布着较少的纹理，P(i，j)的数值差别较大，则该图像的熵值较小。
2．2 图像预处理
    即对图像进行过滤，以便于提高图像识别的速度和准确率。图像预处理过程是对图像的一个过滤过程，要排除干扰，保留需要处理的部分，并过滤掉不需要的部分。以某山地照片为例，首先选取一定大小的图片作为研究对像，如图2(a)所示，然后将该图片扫描输入电脑，并对其进行编号。接着对其进行去除噪声和二值化处理，以便于更好的提取图像特征，如图2(b)所示。然而在计算共生矩阵时，由于计算量大，再将图像的灰度分成16个灰度级。

2．3 试验设计
    关于纹理图像识别与分类的具体应用实例很多。一般的做法是通过纹理特征的度量方法对每张图像抽取一组纹理特征，由这些特征构成该样本的特征向量，然后在特征空间里应用统计模式识别方法对众多的图像样本进行识别与分类。在本实验中，样本图像经数字化处理后的像元数为109×116，将图像分成大小为16×16像素的非重叠窗口，共49个子图像，Ng=16(将0~255灰度分成16级)。每个小块都从4个方向(0°，45°，90°和135°)来提取特征，具体设计步骤如下：
    (1)利用前述灰度共生矩阵计算出4个最主要的特征值(角二阶矩，对比度，相对性和熵值)，然后取这4个方向的均值和方差表示该特征值，于是，4个方向值就变成2个。为此共可提供8个纹理特征值。将提取的特征值保存到纹理特征库中作为训练样本；
    (2)计算出其他小块的纹理特征值作为未知样本，并对其进行编号；
    (3)利用最小欧氏距离分类法将从未知样本中提取的特征值与纹理特征库中训练样本的特征值进行比对，当且仅当未知样本的特征向量与训练样本的欧氏加权距离最小时输出匹配成功的未知样本的编号，否则不输出。输出成功后将匹配成功的未知样本编号与训练样本编号进行统一调整；
    (4)以另一未知样本的纹理特征值作为训练样本保存在纹理特征库中，利用上述类似方法进行模式匹配。重复步骤(2)和步骤(3)，直至每个未知样本被输出。
    以上步骤全部运行完毕后，将得出相似纹理区域的小块具有相同编号，这样就实现了纹理分类，然后根据编号的不同实施区域整合划分，这样就可以实现纹理图像分割。具体实验设计过程，如图3所示。