通过对条状纹理方向性的研究，建立了条状纹理方向场模型。进一步，可根据不同图像处理目的的需要，对条状纹理的存在区域进行分割和提取。
根据纹理图像分割的一般性方法可知，提取纹理特征是纹理分割的关键，一般灰度图像的分割是基于灰度值的一致性、相近性；在纹理图像中，区域的一致性是由区域内纹理的某些特征的一致性来表示的，分割是在某个或某些特征的基础上进行的。
通过特征提取，从纹理图像中计算出一些在同质区域内保持相对平稳的特征值，以此特征值作为特征，表示同质区域内的一致性以及区域间的相异性，通过分析纹理特征空间，提取特征一致性的区域，从而实现分割。
因此，纹理分割的方法依赖于纹理描述的方法，即上一章所提到的统计法和结构法，由不同的描述方法构成不同的特征量，在此基础上，根据不同纹理区域特征量不同的特点，进行基于特征量的分割。
针对条状纹理的特点，本文将根据已提取的条状纹理方向特征量，进行基于方向特征的纹理区域分割。
1.特征向量的构造
对于纹理特征向量的构造不能仅仅依靠于某一像素点所具有的特征，因为纹理是由基本的纹理单元及其相互联系表现出来的，孤立地从一个像素不可能得到有关纹理信息，像素值的直方图也很少能反映出纹理信息，所以纹理图像任一像素的特性是由该像素与其周围像素的相互联系来确定的。构造纹理特征向量也是这样，单纯的一个像素的特征值有可能受到特征提取方法的限制，而不可避免的具有误差，只有将其与周围像素的特征值联系起来才有可能避免这种误差带来的不利影响。
因此，我们将基于一定邻域内，各个方向出现的频数来构造特征向量。
对图像中的任意一像素，以其为中心，选取((2T+1)X(2T+1)大小的矩形区为一其邻域，当邻域的大小T不断变化时，对8个基准方向分别成为纹理主方向的频数进行统计，以频数为元素，构成一个4维向量,用以描述像素点s的纹理方向。
为了克服图像中纹理方向小的不一致性和获得特征向量在不同取值段内具有不同的描述敏感性，还需要对特征向量进行修正。
2.分割模型
在建立了每个像素所对应的特征向量之后，纹理分割的问题被转化为了荃于特征向量的聚类问题。聚类分析是多元统计分析的方法之一，也是统计模式识别中非监督模式识别的一个重要分支。聚类分析也被称为无监督分类。聚类分析的目的是为了无监督地发掘数据集合的内部结构特征而根据特定的相似性度量将数据集划分成一定数目的子集，是模式分类和图像分割研究的重要理论墓础。
合理的聚类结果通常要求每个子集内部的样本具有较大的相似性，而不同子集间的样本具有较小相似性。确定数据集中样本相似性的常用方法是欧氏距离。
目前己提出了许多不同的聚类方法来解决聚类问题，根据样本与各类别的隶属关系，聚类方法可分为硬聚类方法和模糊聚类方法。
(1)硬聚类方法要求每个样本经过聚类能且只能划分到唯一一个类别中，即样本对各个类的隶属度只能取0和1两种值，取值为0表示该样本不属于这一类，取值为I表示该样本属于这一类。传统的硬聚类方法包括：C一均值、ISODATA,FORGY,WISH等。硬聚类方法具有花费时间少的优点，缺点是:硬聚类割断了样本与样本之间的联系，无法表达样本在性态和类属方面的中介性，使得所得的聚类结果偏差较大，并且易陷入局部最优健。
(2)模糊聚类方法使得各个样本可以不同的隶属度划分到各个类别，即将样本对各个类的隶属度扩展到区间[[0,1]，模糊聚类方法基于Zadeh提出的模糊集概念和模糊数学方法。模糊聚类顾及到了样本与样本之间的联系，认为每一个样本与各个聚类中心都有一个隶属关系，模糊聚类能够有效地对类与类间有交叉的数据集进行聚类，所得的聚类结果明显地优于硬聚类，能够更客观更准确地反映现实世界的实际情况。模糊聚类一般要求每个样本对各个类的隶属度之和为1，这一要求是对划分情况的概率约束，与硬聚类算法相比，模糊聚类算法的收敛速度要慢得多。
目标函数聚类方法：根据聚类的目标定义一个目标函数和相应的约束条件，把聚类问题转化为一个最优化问题。其优点是设计简单，解决问题范围广，不仅仅适用于小样本集情形，而且适用于高维大样本集的情形，同时将聚类问题转化为优化问题易于与经典数学的线性规划领域联系起来，可用现代数学方法来求解，容易进行严密的理论分析，并且算法的求解过程比较容易用计算机来实现，因而得到广泛的应用和深入的研究。随着计算机的发展和实际问题的需要，基于目标函数的聚类方法已成为聚类分析的主流。
