纹理表征着图像灰度或颜色空间分布特性的重要视觉结构信息，在图像处理和计算机视觉等领域中占有重要地位。纹理特征提取及分类作为图像处理、计算机视觉等研究领域的基本问题，其研究具有重要的理论价值和实际意义。因此，本文对图像的纹理特征提取算法展开研究，以提高图像纹理分类系统的准确性。　　在常见的纹理特征提取算法中，局部二值模式(Local Binary Pattern，LBP)纹理描述子因其具有较高的特征鉴别力、较低的计算复杂度以及光照不变性受到广泛的应用。然而，LBP纹理描述子仅对图像的局部纹理信息有一个很好地描述，缺失了纹理空间的全局信息;图像纹理具有多分辨率特性，不同的分辨率下纹理图像往往具有不同的局部关系，而LBP纹理描述子往往局限于捕获图像在单一分辨率下的纹理信息，缺失了图像在其它分辨率下的纹理信息;且LBP纹理描述子对有旋转变化或噪声干扰的纹理图像的鲁棒性也不高。针对LBP纹理描述子的以上问题，本文提出了将厄米高斯矩与局部二值模式结合来进行纹理特征提取及分类，以达到更准确的纹理分类结果。　　针对LBP和厄米高斯矩的纹理分类算法的研究，本文首先分析了国内外关于LBP和厄米高斯矩的研究现状，然后介绍LBP的基本理论及厄米高斯矩的基本理论，为了改善LBP的纹理分类性能，本文采用结合厄米高斯矩和LBP进行纹理的分类，本文主要做了以下两个方面的工作:　　（一）图像纹理本身具有多分辨率特性，而LBP纹理描述子只能在单一分辨率下捕获图像纹理信息，缺失了图像在其它分辨率下的纹理信息，本文提出了一种基于多分辨率的厄米高斯矩的LBP纹理分类算法。该方法首先利用不同分辨率下的厄米高斯矩对纹理图像进行图像重构，得到不同分辨率下的重构图像，然后提取不同分辨率重构图像的LBP纹理特征，将不同分辨率重构图像下的LBP特征级联拼接成多分辨率的纹理特征，最后采用K近邻的分类原则进行纹理分类。在KTH-TIPS纹理图像库、Brodatz纹理图像库和Outex纹理图像库中进行计算机纹理分类实验，实验结果表明该算法提高了纹理分类的准确性，且厄米高斯矩本身具有旋转平移不变性、抗噪性，计算机纹理分类测试实验表明了本文算法对有旋转变换或噪声污染的纹理图像具有很好的鲁棒性。　　（二）LBP可以很好的描述纹理局部结构，但缺失了纹理空间分布的全局信息，本文利用纹理图像的厄米高斯矩的全局统计特性来表征纹理的全局分布特性，该特征与LBP特征具有互补性，将纹理的LBP局部特征与厄米高斯矩的全局特征级联拼接成图像的纹理特征，采用K近邻的分类原则对图像的纹理特征进行分类。在Brodatz纹理图像库中进行纹理分类实验，结果表明了该算法对图像的纹理特征有一个更加全面地描述，提高了纹理分类的准确性。