1、紋理圖像分析是模式識別領域和計算機視覺領域中的重要研究內(nèi)容，在科學研究領域和工程技術(shù)方面有著非常廣泛的應用背景。提取紋理特征描述子是進行紋理分析的基礎，在最近幾十年內(nèi)，人們已在紋理特征描述方面做了大量的研究工作，并取得了許多研究成果，但大多數(shù)提取的紋理特征具有這樣或者哪樣的不足，例如統(tǒng)計紋理特征、濾波器紋理特征以及結(jié)構(gòu)化的紋理特征均假定紋理特征是靜態(tài)提取的，即紋理圖像是在理想狀態(tài)下獲取的，沒有考慮到照相機的拍攝位置變化，如由于視角變化引

2、起的紋理縮放、不規(guī)則變形以及各種可能的仿射變換等。雖然在進行紋理分類時，本文可以采樣多種視角下的紋理圖像特征來提高分類效果，但是我們?nèi)匀豢赡苊媾R訓練樣本不足的問題。實際應用中，由于技術(shù)和客觀原因，我們不可能采樣所有的拍攝角度或照相機焦距來獲取紋理圖像，所以針對實際問題，以上的方法可能達不到理想的效果。所以紋理特征描述依舊是一個需要進一步研究的問題。 本文中我們提出了一種基于DoG(高斯差分濾波器)的關(guān)鍵點紋理特征描述子，因為關(guān)鍵

3、點特征對因照相機移動引起的各種圖像幾何變換非常穩(wěn)定，所以基于關(guān)鍵點的紋理描述子具有穩(wěn)定性好、重復性高的特點。特別地，本文提出用eDoG(橢圓高斯核)算子來搜索關(guān)鍵點共生對中穩(wěn)定的空間共生情況；而且本文建議一種新的多網(wǎng)格的關(guān)鍵點特征描述子。實驗結(jié)果表明，關(guān)鍵點之間的共生關(guān)系可以作為一種有效的紋理特征來刻畫紋理，從而提高了紋理圖像的識別能力；另外，本文發(fā)現(xiàn)，增強關(guān)鍵點的描述能力同樣可以提高紋理描述子的表達效果。經(jīng)過在多個紋理數(shù)據(jù)庫上的比較，

4、本文認為基于關(guān)鍵點特征的紋理描述子具有十分廣泛的應用前景。 模式分類方法是特征提取的后續(xù)階段。即使模式的特征完全相同，不同的模式分類方法有可能產(chǎn)生完全不同的效果。恰當?shù)哪Ｊ阶R別方法會產(chǎn)生好的識別效果。反之，如果模式分類的算法存在缺陷，有可能得不到理想的識別效果。本文提出兩種改進的統(tǒng)計最近鄰方法(kNN)和人工神經(jīng)網(wǎng)絡方法(ANN)。 首先，本文分析了kNN方法的缺點，即：當類樣本的分布發(fā)生重疊時，在重疊區(qū)域有很多噪聲訓練

5、樣本(負面樣本)，這些噪聲樣本使分類器過擬合訓練集，從而產(chǎn)生較差的泛化性能。所謂噪聲是指落在理論決策邊界錯誤一側(cè)的訓練樣本，在分類過程中，這些樣本對提高分類率沒有任何作用。本文我們建議一種加權(quán)的近鄰域平均機制來減少這種噪聲的數(shù)量，即局部概率中心方法。局部概率中心方法以CAP方法為基礎但是具有更強的減少噪聲能力，因此提高了kNN的分類效果。同時，本文考察兩種分類度量尺度，一種尺度是利用查詢點到計算所得的查詢點附近的各類概率中心的歐式距離作

6、為分類查詢點的依據(jù)；另一種尺度是根據(jù)計算所得的查詢點的后驗概率作為分類依據(jù)。本文從理論上分析了概率中心算法的性能；而且本文采用了一系列的數(shù)據(jù)集對提出的算法進行了驗證。實驗結(jié)果表明，雖然兩種方法都得到了較好的性能，第二種尺度更為有效。本文用建議的方法來分類紋理圖像，取得了更好的效果。 其次，神經(jīng)網(wǎng)絡算法存在訓練時間長、識別機理難以解釋等缺陷。特別地，在不平衡的分類問題中，用常規(guī)的基于最小平方誤差的方法(BP)訓練神經(jīng)網(wǎng)絡分類器常常

7、對大類產(chǎn)生過補償。由于網(wǎng)絡在訓練時容易受到優(yōu)勢類的支配，經(jīng)常導致小類的正確識別率相當?shù)蜕踔帘煌耆暮雎缘?，由此可能造成嚴重的后果。我們設想按照一定的原則取優(yōu)勢類的一部分樣本與劣勢類一起訓練網(wǎng)絡，可以使網(wǎng)絡被平衡地訓練，從而照顧了各方面的利益。因此本文提出了一種動態(tài)閾值的訓練方法來代替常用的最小均方誤差方法，該方法通過設置動態(tài)閾值來去除一部分已經(jīng)分類正確的樣本，因為大類往往有更多的樣本被分類正確，因此將去除更多的訓練樣本，這在一定程度上照