纹理识别作为纹理分析的一个重要分支,在工业自动化、医学图像分析、文件处理、生物信息学等领域有重要的应用。纹理是图像的一种非常重要的属性,它是图像中特征值强度的某种局部重复模式的宏观表现。然而,对于自然纹理图像来说,这种重复模式往往是复杂的和近似的,难以用语言描述进行描述。而且纹理图像不同于一般图像,其特殊性在于每一幅纹理图像都有很丰富的细节,且同一类纹理具有很多相似的统计特性,因此比较适合于统计识别方法。目前,统计识别方法在纹理分析中占有主导地位,已有的方法主要用到了图像的一阶、二阶统计量。但是低阶统计量只包含图像信号的幅度信息,忽略了它的相位信息。但是,信号的相位信息是非常重要的,仅仅利用图像信号的相位就可以达到对图像的完全重构。因此,对于不同的纹理图像可能具有相同二阶统计特性的情况,仅使用图像信号的幅度信息显然是不够的,还需要进一步考虑它的相位信息。相比一阶和二阶统计量,高阶统计量可以描述三个或三个以上像素之间的空间联系。最常用到的高阶统计量是三阶累积量和双谱,由于实际中存在各种噪声,为了使所提取的特征具有一定的抗噪性能,因此文中选择双谱来提取纹理特征。本文针对不同的纹理图像可能具有相同的二阶统计特性,以及基于传统统计识别方法的局限性,为了既能得到纹理图像的幅度信息又能得到它的相位信息,对高阶统计量中的双谱分析进行了深入的研究。因此,本文首先使用双谱切片提取图像的纹理特征,然后利用基于弹性BP算法的神经网络作为分类器。最后通过仿真结果证明了此实验方案的可行性和有效性。