纹理是图像分析中最常用而又难以描述的特征之一,其研究内容主要包括纹理分类、纹理分割与合成以及纹理检索等。纹理分类作为纹理图像分析领域的重要方面,在众多应用领域产生了深远的影响。纹理特征提取是纹理分类过程中的一个关键环节,因为提取的纹理特征优劣直接影响后续图像处理的质量。目前已经有许多学者提出了大量的纹理特征提取方法,但是这些方法普遍存在计算量大、计算复杂度高,或使用范围具有局限性等问题,从而制约了它们在实际生活中的应用。主成分分析(PCA)是设法将原来众多具有一定相关性的指标,重新组合成一组新的相互无关的综合指标来代替原指标的一种方法,它在图像处理中的一个典型应用就是用于人脸识别的特征脸方法。这个方法从整体的角度提取图像信息,不仅实现简单,而且在变换的过程中,尽可能保持了图像原有的信息。借鉴特征脸方法,本文提出了一种新的纹理特征提取方法——特征纹理算法,并将所提取的纹理特征用于纹理图像的分类。这种方法不仅充分利用了全部纹理信息,而且利用了PCA方法在提取全局特征方面的优势,因此可以更好地提取出纹理特征。为了弥补特征纹理算法在提取特征时只考虑全局特征,而忽略局部特征的不足,本文又提出了一种基于PCA和LBP的改进的特征纹理算法。这种方法充分结合了PCA在提取全局特征方面的优势和LBP在提取局部纹理细节方面的优势,因此用此方法提取的纹理特征进行纹理图像分类,能达到更高的准确率。本文以Outex图像库为实验对象,以欧式距离作为分类器对提出的算法进行了验证。实验表明,这两种方法不仅操作简单,而且提取的特征具有良好的性能,在纹理图像分类时,仅使用简单的分类器就可以得到很好的分类结果。