动态纹理又被称作时间纹理,它是一种具有空间重复性与时间变化性,且可在时间上形成具有某种平稳特性的图像序列的视觉模式。随着科学技术的发展,人们获取动态纹理序列的效率越来越高、方式越来越多。因此面对海量的动态纹理数据,动态纹理分析的研究日益受到人们的关注。动态纹理分类是动态纹理分析研究中十分重要的研究内容,它在军事、医学、交通等领域都有着十分广泛的应用前景。小波变换是纹理分类中常用到的方法,复小波变换能够有效弥补传统实小波变换的缺陷,如平移敏感性、缺乏方向选择性、缺少相位信息等,因此本文主要研究复小波变换域内的动态纹理分类。本文归纳了当前动态纹理分类领域内的热门研究方法与前沿研究方法,分析了动态纹理分类的过程。在此基础上,本文提出了复小波变换域内基于混合模型的动态纹理分类方法,主要内容概括如下:一、提出基于动态纹理相对相位信息分布特性的动态纹理分类方法。动态纹理复系数高频细节子带的相位信息分布近似为平均分布,无法提供动态纹理分类所需的有效信息。针对动态纹理复系数高频细节子带的相对相位信息,提出混合Von Mises模型与混合Wrapped Cauchy模型以及各自基于EM算法的模型参数估计方法。将动态纹理所有高频细节子带所对应的混合模型参数进行整合,得到能够描述该动态纹理相对相位分布特性的动态纹理特征向量。通过变分法与匹配法对混合模型间KL距离进行估计,以实现动态纹理间的相似性测距。UCLA与DynTex++动态纹理基准库上的实验结果证明了所提方法的有效性。二、提出混合Gumbel分布模型及基于期望最大化算法(EM)的模型参数估计方法。对动态纹理复系数高频细节子带进行分块划分,计算各个子块幅值的中值。使用混合Gumbel分布模型及基于EM算法的模型参数估计方法对每个复系数高频细节子带的中值数据进行建模分析,得到的模型参数即为该子带的特征向量。将动态纹理所有高频细节子带所对应的特征向量进行整合,得到能够描述该动态纹理幅值中值分布特性的动态纹理特征向量。为实现动态纹理间的相似度测距,使用变分法与匹配法对混合模型间的Kullback-Leibler(KL)距离进行估计。在UCLA与DynTex++动态纹理基准库上的实验结果证明了所提方法相较于VLBP、DFS等当今动态纹理分类领域内前沿方法的优越性。