花粉颗粒的分类识别在花粉过敏控制、刑事侦查、石油勘探以及古气候重建等领域有着重要应用。但传统的花粉颗粒分类识别方法主要是依靠显微镜的人工目视检查,需要操作者具有丰富的孢粉形态学专业知识,鉴别过程耗时费力且易受操作者主观意识影响,准确度普遍不高。鉴于显微镜下的花粉图像有着跟普通图像类似的结构、纹理特征,利用计算机对花粉颗粒进行分类识别已经成为花粉鉴别的有效手段。但现有的花粉图像分类识别方法仍存在些许不足,主要包括以下两方面:现有描述子大多对噪声敏感、对花粉图像的旋转缩放没有较好的鲁棒性;多数描述子将多种特征融合,旨在利用不同特征的优点来构建花粉图像的最优表示,但这也大大增加了算法的时间复杂度,不利于花粉图像的实际分类识别。针对以上问题,本文对花粉图像的纹理特征提取方法进行研究,主要的研究内容包括:(1)针对传统局部二进制模式(LBP)有着对噪声敏感、对图像旋转变化的鲁棒性不高等问题,对传统局部二进制模式进行改进,提出一种基于主梯度编码的局部二进制模式,并将其应用于花粉图像的分类识别。该方法首先计算图像块在主梯度方向上的梯度幅值;其次,分别计算图像块的径向、角向以及复合梯度差;然后,根据各图像块的梯度差进行二进制编码,采用自适应权重分配策略为二进制编码自适应分配权重,并计算花粉图像在径向、角向以及复合方向上的LBP特征直方图;最后,将不同尺度下的纹理特征直方图融合,将融合特征用于花粉图像的分类识别。实验结果表明,该方法对花粉图像的噪声、旋转和缩放具有较好的鲁棒性。(2)针对花粉图像的纹理变化范围相较于普通纹理图像较小,过宽的量化区间难以捕捉不同花粉图像的细微纹理差异的问题,提出一种局部十进制模式(LDP),并将其应用于花粉图像的分类识别。该方法通过增加量化区间的数量、缩小量化区间的范围来捕获花粉图像的细微纹理差异,首先将花粉图像的梯度图像分解到8个方向,找出最大、最小以及中位梯度方向;其次,计算像素块在各梯度方向上的梯度幅值;然后,根据各量化区间内的像素块的数量进行十进制编码;最后,计算最大、最小以及中位梯度方向上的LDP特征直方图,将融合的特征用于花粉图像的分类识别。实验结果表明,该方法的平均正确识别率能达到90%以上,且识别效率也高于部分对比方法。