纹理分类作为纹理分析研究领域的重要方面,在众多应用领域产生了深远的影响。近年来,人们提出了各种纹理分类算法,并取得了丰硕的成果,但是,目前大多数分类算法仍存在很多缺陷,在一定程度上制约了这些算法的应用,旋转不变和具有抗噪性的纹理分类更是有待深入研究的重要课题。本文在深入研究现有算法的基础上,从以下几方面进行研究:(1)基于Gabor滤波器和双树复数小波变换(DT-CWT)的纹理分类为了实验双树复数小波特征提取和支持向量机(SVM)分类的性能,首先将输入纹理图像经Gabor滤波器、双树复数小波变换分解成不同尺度和方向的子带,然后计算各子带能量或重构子带的局部能量函数得出特征向量,最后利用支持向量机分类,并对其它分类器的分类性能进行实验。(2)基于旋转-平移的旋转不变纹理分类本文采用两种方法实现基于旋转-平移思想的旋转不变特征提取:一是利用对数-极坐标变换、Radon变换将图像的旋转转化为变换后图像的平移,再用具有平移不变性的平稳小波变换(SWT)、双树复数小波变换消除平移实现旋转不变特征提取;二是对图像进行Curvelet变换并计算各子带能量,将旋转转化为同一尺度内子带能量的平移,再用各向同性、各向异性、循环移位特征消除平移得到旋转不变特征。用支持向量机实现分类,并对前者的三种特征提取方法进行比较。(3)基于Curvelet能量显著子带LBP特征的抗噪性纹理分类本文针对现有算法不能准确描述基元(texton)较大的纹理和不具有抗噪性的问题,提出基于Curvelet变换能量显著方向子带LBP特征的旋转不变特征提取算法,并用支持向量机实现分类。本算法得到的特征向量具有多分辨率的特性,能够更准确地描述基元较大的纹理,具有较强的抗噪性能。