纹理图像分析是模式识别领域和计算机视觉领域中的重要研究内容,在科学研究领域和工程技术方面有着非常广泛的应用背景。提取纹理特征描述子是进行纹理分析的基础,在最近几十年内,人们已在纹理特征描述方面做了大量的研究工作,并取得了许多研究成果,但大多数提取的纹理特征具有这样或者哪样的不足,例如统计纹理特征、滤波器纹理特征以及结构化的纹理特征均假定纹理特征是静态提取的,即纹理图像是在理想状态下获取的,没有考虑到照相机的拍摄位置变化,如由于视角变化引起的纹理缩放、不规则变形以及各种可能的仿射变换等。虽然在进行纹理分类时,本文可以采样多种视角下的纹理图像特征来提高分类效果,但是我们仍然可能面临训练样本不足的问题。实际应用中,由于技术和客观原因,我们不可能采样所有的拍摄角度或照相机焦距来获取纹理图像,所以针对实际问题,以上的方法可能达不到理想的效果。所以纹理特征描述依旧是一个需要进一步研究的问题。本文中我们提出了一种基于DoG(高斯差分滤波器)的关键点纹理特征描述子,因为关键点特征对因照相机移动引起的各种图像几何变换非常稳定,所以基于关键点的纹理描述子具有稳定性好、重复性高的特点。特别地,本文提出用eDoG(椭圆高斯核)算子来搜索关键点共生对中稳定的空间共生情况;而且本文建议一种新的多网格的关键点特征描述子。实验结果表明,关键点之间的共生关系可以作为一种有效的纹理特征来刻画纹理,从而提高了纹理图像的识别能力;另外,本文发现,增强关键点的描述能力同样可以提高纹理描述子的表达效果。经过在多个纹理数据库上的比较,本文认为基于关键点特征的纹理描述子具有十分广泛的应用前景。模式分类方法是特征提取的后续阶段。即使模式的特征完全相同,不同的模式分类方法有可能产生完全不同的效果。恰当的模式识别方法会产生好的识别效果。反之,如果模式分类的算法存在缺陷,有可能得不到理想的识别效果。本文提出两种改进的统计最近邻方法(kNN)和人工神经网络方法(ANN)。首先,本文分析了kNN方法的缺点,即:当类样本的分布发生重叠时,在重叠区域有很多噪声训练样本(负面样本),这些噪声样本使分类器过拟合训练集,从而产生较差的泛化性能。所谓噪声是指落在理论决策边界错误一侧的训练样本,在分类过程中,这些样本对提高分类率没有任何作用。本文我们建议一种加权的近邻域平均机制来减少这种噪声的数量,即局部概率中心方法。局部概率中心方法以CAP方法为基础但是具有更强的减少噪声能力,因此提高了kNN的分类效果。同时,本文考察两种分类度量尺度,一种尺度是利用查询点到计算所得的查询点附近的各类概率中心的欧式距离作为分类查询点的依据;另一种尺度是根据计算所得的查询点的后验概率作为分类依据。本文从理论上分析了概率中心算法的性能;而且本文采用了一系列的数据集对提出的算法进行了验证。实验结果表明,虽然两种方法都得到了较好的性能,第二种尺度更为有效。本文用建议的方法来分类纹理图像,取得了更好的效果。其次,神经网络算法存在训练时间长、识别机理难以解释等缺陷。特别地,在不平衡的分类问题中,用常规的基于最小平方误差的方法(BP)训练神经网络分类器常常对大类产生过补偿。由于网络在训练时容易受到优势类的支配,经常导致小类的正确识别率相当低甚至被完全的忽略掉,由此可能造成严重的后果。我们设想按照一定的原则取优势类的一部分样本与劣势类一起训练网络,可以使网络被平衡地训练,从而照顾了各方面的利益。因此本文提出了一种动态阈值的训练方法来代替常用的最小均方误差方法,该方法通过设置动态阈值来去除一部分已经分类正确的样本,因为大类往往有更多的样本被分类正确,因此将去除更多的训练样本,这在一定程度上照顾了小类分组。通过阈值的动态调整,我们使不平衡的训练过程转化为平衡的训练过程,从而提高了小类的识别准确率。本文用建议的神经网络方法来分类卫星图像,取得了较好的分类效果。实验结果表明:用动态阈值训练方法指导神经网络的训练过程,具有两个特点:1、在不牺牲大类性能的情况下,该方法能够凸显小类模式。2、对于极度不平衡的训练集,动态阈值训练算法是稳定的。