纹理是不同的计算机视觉任务和应用程序的重要特征,是人类感知世界的重要视觉线索,和我们的生活息息相关。因为纹理分类在理解纹理识别过程中发挥着重要作用,所以纹理分析的主要问题之一就是纹理分类。在纹理分类任务中,局部二值模式（Local Binary Pattern,LBP）是应用最广泛的一种分类方法。局部二值模式是一种用于提取局部纹理信息的简便且鲁棒的纹理描述符,而且局部二值模式具有光照不变性和旋转不变性等优点。LBP已被广泛用于纹理分类、人脸识别、图像检索等众多领域。但是,现有的基于LBP的方法存在某些问题:（1）提取纹理特征时容易丢失某些细节信息。（2）对高斯和椒盐等噪声比较敏感。1.针对上述问题,提出一种用于纹理分类的多尺度二值差分幅值模式（Multiscale Binary Difference magnitude Pattern,MBDMP）。在这里,首先提出二值差分幅值模式（Binary Difference Magnitude Pattern,BDMP）。在BDMP描述符中,将更全面的定义基于标准差的二值差分模式（Standard Derivation Based Binary Difference Pattern,SDBDP）。首先,使用标准差公式σ来计算局部图像区域中的所有相邻采样点。然后,计算中心像素与计算出的标准差值之间的差异信息。最后,用基于中值的二值幅值模式（Median Based Binary Magnitude Pattern,MBBMP）来提取纹理图像的特征。BDMP描述符不仅可以捕获更详细的纹理信息,而且还可以提高对噪声的鲁棒性。其次,由于尺度空间中的每个图像都构建了一个局部模式直方图,提出对这些局部模式直方图求平均频率的思想。通过保持每种模式在不同尺度的平均频率,建立一个新的直方图。新的直方图用作给定训练样本的尺度不变特征。最后,从五个公共数据集上的实验结果表明MBDMP对噪声是鲁棒的且对于纹理图像具有一定的判别力。2.现有的基于LBP的纹理分类方法在处理高水平的噪声时存在一定缺陷,为了解决对高水平下的噪声敏感问题,提出一种用于纹理分类的简单而且鲁棒的纹理描述符,并命名为多尺度分组方差二值模式（Multiscale Group Variance Binary Pattern,MGVBP）。MGVBP描述符主要由局部中值分组模式（Local Median Group Pattern）和局部方差二值模式（Local Variance Binary Pattern）两部分组成,在局部中值分组模式中首先用每个相邻像素周围的局部图像区域的中值替代单个像素的灰度值。然后再对这些相邻像素点按某种规律进行分组,并对分组后的相邻像素点进行二值编码。局部方差二值模式主要是通过对中心像素进行二值编码来构建直方图。所提出的方法处理具有高噪声纹理的图像,并通过捕获像素点周围的纹理信息增加判别性,提高分类性能。MGVBP在用于分类任务的流行纹理数据集以及在不同的高噪声条件下进行了评估。与最先进的纹理分类方法相比,MGVBP实现了令人满意的分类性能。