基于人类对纹理的视觉感知的心理学的研究，Tamura 等人提出了纹理特征的表达[14]。Tamura 纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度（coarseness） 、对比度 （contrast） 、 方向度 （directionality） 、 线像度 （linelikeness） 、 规整度 （regularity） 和粗略度 （roughness） 。 其中，前三个分量对于图像检索尤其重要。Matlab实现Tamura特征的提取。

此代码实现了论文中概述的方法： Friedman A、Pizarro O、Williams SB、Johnson-Roberson M，“底栖立体图像重建的粗糙度、斜率和方位的多尺度测量”，PLoS ONE，2012（已接受，在 10/2012 印刷）。 地形复杂性与海洋环境中的生物多样性密切相关。 即使将地形表示为数字水深测量，也有必要将这些数字地形模型抽象为更简单的表示，以便执行分析工作。 生态学家通常使用粗糙度、坡度和坡向等指标来描述栖息地结构。 Rugosity 是一种提供地形复杂性概念的度量。 它是沿起伏地形的实际长度（或面积）与直线距离（或平面投影面积）的比值。 值 1 通常表示平坦的地形，地形的复杂性越高，粗糙度值就越高。 传统上，潜水员使用链带法或剖面测量仪沿着单个线性剖面原位测量精细的粗糙度。 此代码从精细尺度的测深重建计算粗糙度、坡度和坡向的多尺度度量。 它可用于

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

基于偏振摄影技术和MATLAB实现对物体表面粗糙度的检测.pdf

matlab最简单的代码粗糙度数据库的表面粗糙度统计代码 MATLAB脚本处理表面粗糙度统计数据以支持由南安普敦大学托管的粗糙度数据库。 该脚本的开发思想是在运行代码时需要最少的用户界面。 换句话说，无需进行代码操作或更改即可正确导出粗糙度统计信息。 该脚本将生成数据库所需的正确文件夹结构。 结构应如下所示： Het_Irreg_TBL_turbine-blade_Barros_2014 要求 MATLAB的工作版本。 应该可以在Mac和PC上使用。 此外，建议在运行脚本之前先获得一些有关粗糙度的基本信息。 这些都是： 如果粗糙度是均质的或异质的; 如果粗糙度是规则的或不规则的; 是来自TBL ， Pipe ， Channel的结果; 是实验，模拟的结果; 该表面的一般描述，即“ Sandgrain”； 研究的主要作者的姓氏； 结果发布的年份； 是否标识此表面的名称，即“ 220Grit”？ 出版物的DOI。 此外，如果结果来自Experiments ，则需要探查器信息 分析器/扫描器的名称和型号； 以微米为单位的表面高度测量的不确定性。 入门 首先，访问并请求用户访问权限以上传内容，

HB 5647-1998 叶片叶型的标注、公差与叶身表面粗糙度 HB 5647-1998 叶片叶型的标注、公差与叶身表面粗糙度 HB 5647-1998 叶片叶型的标注、公差与叶身表面粗糙度

实际的矿井巷道四壁为非理想导电壁，且巷道壁粗糙，电波传播的解析研究异常复杂。文章将矿井巷道看作含有有损介质的波导，导出类矩巷道中电磁波传播粗糙度损耗和传输总损耗，并数值模拟了传输损耗与粗糙度、频率变化之间的关系。结果表明，在低频段粗糙度损耗对电磁波传播损耗的影响较大；随着粗糙度增加，粗糙损耗明显增大；但随着频率的增加，倾斜损耗占主导地位，粗糙损耗对总损耗的贡献减小。

可以使用在表面采点获得一系列的二维点，根据一维粗糙度计算的原理，使用matlab编程实现。计算原理可以在https://github.com/sky-horsefly/One-Dimensional-Roughness中找到

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。

一维 蒙特卡罗 matlab 仿真 程序