纹理分类是计算机视觉和模式识别领域的一个重要研究内容,其中,纹理特征提取,以及如何构建一种快速稳定的分类器是算法的关键,本文重点对后者进行研究。传统的纹理分类器主要包括K-均值聚类,支持向量机,以及人工神经网络等,这些分类器普遍存在着正确率低、计算量大和缺乏理论支持等缺点。极端学习机(ELM)是一种新型单隐层前馈神经网络;与传统分类器不同,ELM是随机选择网络中的隐层神经元,其网络的输出层权值可以通过解析方法获得,具有学习速度快、泛化能力好等诸多优点。在目前相对成熟的几种特征提取方法的基础上,论文对目前几种较好的分类器进行了重点分析和研究,主要内容包括:(1)研究了极端学习机在纹理分类应用中存在的优势。该方法具有学习速度快、泛化能力好等优点。本文分别基于小波包分解、灰度共生矩阵、灰度梯度共生矩阵、统计几何特征、Gabor小波和双树复小波等方法进行纹理特征提取,利用ELM作为分类器进行训练学习,实现了纹理图像的自动分类。(2)提出一种基于遗传学的纹理分类的改进算法。蚁群算法是一种随机搜索算法,具有全局最优、可并行运算、鲁棒性强等特点。本文提出将蚁群算法与极端学习机相结合,将网络中的随机参数试做蚂蚁,则蚂蚁觅食过程的路径可视为参数寻优过程;根据每次路径上的信息素,可获得下一步路径,通过不断的更新信息素,最终可以获得一条最短路径,即达到参数最优。仿真实验结果表明,利用该方法可以获得更高的纹理分类效果。(3)传统的基于极端学习机(ELM)的纹理分类方法容易出现输出不稳定的情况,针对这一缺点,本文对传统动力学模型进行了改进,利用线性吸引子和局部吸引子的迭代来实现多个ELM分类器的最佳融合,以提升学习模型的泛化能力和稳定性。仿真实验结果表明,利用此方法对纹理图像进行分类,稳定性得到了明显改善,同时,分类的准确率也得到了一定程度的提升,取得了比较理想的分类效果。