纹理是描述物体表面的一种基本属性,广泛存在于自然界中,是人们主要的视觉感知来源之一。纹理分析是计算机视觉中一个重要的研究领域,是图像处理的重要手段。在许多活跃的领域都用到了纹理分析,虽然对不同问题的纹理分析方法非常类似,但提取的纹理信息的应用却有很大不同。其应用主要有纹理分类、纹理分割、纹理压缩以及纹理合成。对于纹理分类,存在的最大挑战是纹理特征的提取,如何对不同光源、角度拍摄的纹理图提取特征,使类内差异最小,类间差异最大。因此,本论文主要对纹理特征提取进行研究。本论文主要的研究内容可概括如下:(1)针对目前许多特征提取算法很难把不同类别的在各种光源和角度下拍摄的纹理区分开的问题,本文创新性地提出了可扩展块大小的完整的局部二进制模式算子模型(SB-CLBP,Scalable Block CLBP)。该算法首先提取纹理图的CLBP特征,其次通过指定大小的滑动窗口对纹理图做均值处理,再计算处理后的CLBP特征,这样纹理的粗粒度信息得到了体现,最后把粗粒度信息增加到原图的CLBP中,相当于整体的粗粒度信息和局部信息结合,可以进一步提高对纹理的描述能力。本文提出的方法不仅能区分不同光源和角度下拍摄的类别差异较大的纹理图,而且对类别差异非常小的也能很好的区分。(2)针对模糊图像特征提取效果不好的情况,本文不是一味的做去模糊操作,而是通过图像增强来提高纹理之间的对比度,突出其纹理信息。算法首先对模糊图像进行双边滤波操作,其能平滑图像的同时保留纹理的边缘信息,其次与原图做差再乘以放大倍数,最后与原图相加得到最终的增强图像。在Outex和CUReT纹理库上的实验表明,本文提出的SB-CLBP特征提取算法有效提高了纹理分类的准确性。为了进一步验证该算法具有较好的纹理描述能力,本文将其用于条形码的特征提取,提出了基于SB-CLBP特征和支持向量机(Support Vector Machine,SVM)的条形码定位算法。在条码库 WWU(Westfalische Wilhelms-Universitat Muenster Barcode Database)的实验表明,提出的定位算法取得了令人满意的效果,同时也验证SB-CLBP特征提取算法相比于其它算法更优越。