目前人工智能的发展势头迅猛,图像已然成为互联网世界交流的主要媒介。纹理作为图像的一种重要的视觉特征,包含丰富的图像信息,具有较高的研究价值。纹理分析是对纹理图像处理的学科,纹理分类是其研究的重要方向,而影响分类性能最重要的因素是提取的特征信息的鉴别能力。但由于纹理没有精确和统一的定义,导致纹理分析中的问题更具有挑战性,同时也衍生了各种各样的特征提取算法。Trace变换是一种新颖有效的图像特征提取算法,能提取旋转、缩放及平移不变特征,现已成为图像处理及计算机视觉领域的研究热点之一。Trace变换经过三重泛函的级联运算获得图像特征,在这个过程中不可避免的会损失图像的一些信息,并且需要较多组泛函,存在实时性不足的问题。因此对其改进具有一定的理论和应用价值。基于此,本文的研究内容和成果如下:(1)分析了相关主流纹理特征提取算法,详细研究了Trace变换的原理,对其性能做了深入的探索。(2)针对Trace变换提取的图像特征缺乏对图像纹理边缘信息描述和计算代价高的问题,提出一种新的融合特征提取算法—多分辨率Trace变换。首先,将小波变换引入到Trace变换中,对纹理图像进行非下采样小波变换,得到不同频率的低频特征子图及高频边缘子图,弥补了Trace变换对图像纹理信息描述不足的缺陷;其次在各级子图上进行一组泛函组合的Trace变换,获取纹理图像的融合特征,在获得图像边缘信息的同时避免了Trace变换不同泛函组合计算代价过高的问题;最后,把融合特征送入支持向量机进行分类验证。实验结果表明,多分辨率Trace变换提取的融合特征相比原Trace变换对图像纹理具有更好的描述能力,在纹理图像库上具有更高的平均分类准确率,在时间效率上相对传统Trace变换有较大提升,与其他算法相比分类性能具有一定的优势。(3)Trace变换作为一种全局特征提取算法,与局部特征相结合也是对其深入研究的方向之一。局部二值模式LBP作为一种有效的局部纹理特征描述算子,可与全局特征相结合得到信息更丰富的特征,在图像处理领域已有诸多成功应用。鉴于此,提出基于Trace变换和LBP的多特征融合算法,并把其成功应用到断口图像分类。首先利用Trace变换提取图像全局纹理特征,局部二值模式提取图像局部纹理特征;采用动态加权鉴别能量分析对两种特征进行优选和自适应加权融合;最后使用支持向量机进行分类识别。在金属断口图像库上的实验结果表明该方法具有较高的识别率,与其它算法相比具有明显的优势,且在其他的纹理数据库上也有显著的效果,具有一定的泛化能力。