相關性可以度量空間灰度共生矩陣元素在行或列方向上的相似程度。因此，相關值大小反映了圖像中局部灰度相關性。當矩陣元素值均勻相等時，相關值就大；相反，如果矩陣像元值相差很大則相關值小。如果圖像中有水平方向紋理，則水平方向矩陣的COR大于其余矩陣的COR值；
(4)熵(Entropy)。

熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息。若圖像沒有任何紋理，則灰度共生矩陣幾乎為零，則熵值接近為零；若圖像充滿著細紋理，P(i，j)的數值近似相等，則該圖像的熵值最大；若圖像中分布著較少的紋理，P(i，j)的數值差別較大，則該圖像的熵值較小。
2．2 圖像預處理
即對圖像進行過濾，以便于提高圖像識別的速度和準確率。圖像預處理過程是對圖像的一個過濾過程，要排除干擾，保留需要處理的部分，并過濾掉不需要的部分。以某山地照片為例，首先選取一定大小的圖片作為研究對像，如圖2(a)所示，然后將該圖片掃描輸入電腦，并對其進行編號。接著對其進行去除噪聲和二值化處理，以便于更好的提取圖像特征，如圖2(b)所示。然而在計算共生矩陣時，由于計算量大，再將圖像的灰度分成16個灰度級。

2．3 試驗設計
關于紋理圖像識別與分類的具體應用實例很多。一般的做法是通過紋理特征的度量方法對每張圖像抽取一組紋理特征，由這些特征構成該樣本的特征向量，然后在特征空間里應用統計模式識別方法對眾多的圖像樣本進行識別與分類。在本實驗中，樣本圖像經數字化處理后的像元數為109×116，將圖像分成大小為16×16像素的非重疊窗口，共49個子圖像，Ng=16(將0~255灰度分成16級)。每個小塊都從4個方向(0°，45°，90°和135°)來提取特征，具體設計步驟如下：
(1)利用前述灰度共生矩陣計算出4個最主要的特征值(角二階矩，對比度，相對性和熵值)，然后取這4個方向的均值和方差表示該特征值，于是，4個方向值就變成2個。為此共可提供8個紋理特征值。將提取的特征值保存到紋理特征庫中作為訓練樣本；
(2)計算出其他小塊的紋理特征值作為未知樣本，并對其進行編號；
(3)利用最小歐氏距離分類法將從未知樣本中提取的特征值與紋理特征庫中訓練樣本的特征值進行比對，當且僅當未知樣本的特征向量與訓練樣本的歐氏加權距離最小時輸出匹配成功的未知樣本的編號，否則不輸出。輸出成功后將匹配成功的未知樣本編號與訓練樣本編號進行統一調整；
(4)以另一未知樣本的紋理特征值作為訓練樣本保存在紋理特征庫中，利用上述類似方法進行模式匹配。重復步驟(2)和步驟(3)，直至每個未知樣本被輸出。
以上步驟全部運行完畢后，將得出相似紋理區域的小塊具有相同編號，這樣就實現了紋理分類，然后根據編號的不同實施區域整合劃分，這樣就可以實現紋理圖像分割。具體實驗設計過程，如圖3所示。