MATLAB实现计算图像灰度共生矩阵（GLCM）特征、局部二值模式(LBP)特征、高斯马尔可夫随机场(GMRF)特征、Gabor滤波器特征，比较上述不同方法提取图像纹理的效果，并上述结果显示在同一界面。完整代码

在MATLAB中，可以利用其丰富的图像处理工具箱来实现图像的各种纹理特征提取。以下是针对四种常见纹理特征提取的基本步骤和代码概述：

1. **灰度共生矩阵(GLCM)**:
- 首先，读取图像并转换为灰度；
- 计算GLCM矩阵，通常涉及选择邻域大小和角度；
- 提取统计特性如对比度、能量、熵等。

% 读取图像
img = imread('example.jpg');
gray_img = rgb2gray(img);
% GLCM计算
glcm = graycomatrix(gray_img);
% 特征提取
[glcmFeatures] = extractGLCMFeatures(glcm);

2. **局部二值模式(LBP)**:
- 对图像应用LBP算子，然后统计每个像素邻居的二进制模式；
- 可以计算不同阶数的LBP描述符。

lbpFeatures = imhist(double(imfilter(gray_img, 'fspecial(lbp)')), [0 256]);

3. **高斯马尔可夫随机场(GMRF)**:
- 使用`gmrfit`函数对图像建模，然后提取特征；
- 这个过程较为复杂，需要定义模型和参数。

gmrfModel = gmrfit(gray_img);
gmrfFeatures = extractGMRFFeatures(gmrfModel);

4. **Gabor滤波器**:
- 应用不同频率和方向的Gabor滤波器，对滤波响应进行归一化；
- 可能需要多次迭代并堆叠结果。

[gaborFilters, responses] = gaborFilterBank(gray_img);
gaborFeatures = mean(responses, 3);

为了将这些特征显示在同一界面，你可以使用`imagesc`或`subplot`函数：

figure;
subplot(2, 2, 1), imagesc(img), title('Original Image');
subplot(2, 2, 2), imagesc(gray_img), title('Grayscale Image');
subplot(2, 2, 3), imshow(log(1 + glcmFeatures)); title('GLCM Features');
subplot(2, 2, 4), imshow(lbpFeatures); title('LBP Features');
...

请注意，这只是一个基本的概述，实际操作中可能需要调整参数并根据具体需求进行优化。同时，为了在所有特征上显示结果，你需要定义一个统一的尺度或者将其标准化以便比较。