图像特征的提取在图像处理、计算机视觉和模式识别中扮演着不可忽视的角色,有效的图像特征可以提供更多更本质的图像信息。但是,光照,平移,旋转,伸缩等不利因素会造成图像在成像过程中发生几何结构的变化。图像局部二值模式(Local Binary Pattern,LBP)作为一种有效地图像特征提取算子,可以抵抗图像因为光照,灰度,旋转等问题引起的畸变,从而稳定的提取图像内容特征。LBP被广泛应用于图像识别,纹理分类,图像分析,图像压缩,图像融合和人脸识别等领域,特别是纹理图像识别领域。近年来,研究者们关于LBP的讨论和研究点主要在一维特征描述算子上,本文提出一种二维局部特征描述算子,丰富特征描述算子的上下文信息;另一方面在得到纹理图像的特征描述向量之后,本文提出一种二级分类器纹理图像识别方法。具体研究如下:目前对局部二值模式的研究大多是改变原始LBP模式的编码方式、模式选择方式、邻域拓扑结构等,这些方法仅仅考虑单个像素蕴含的信息。本文提出了一种基于二维二值模式(Two-dimensional Local Binary Pattern,2DLBP)的局部特征描述算子,该方法弥补了原始LBP算子没有考虑像素之间的相关性问题。本文设计了一种二维特征描述算子,丰富像素之间的相关性和上下文信息。算子构造过程中采取原始LBP的旋转不变均匀模式进行特征描述,同时引入滑动窗口概念,通过改变滑动窗口大小获得更多的上下文信息。采用二维直方图统计特征描述符,同时,引入权重的概念,选择有利于纹理图像识别的显性特征用于纹理图像识别。这种二维的思想,以局部三值模式(Local Three-valued Pattern,LTP)为例进行验证,验证了该方法的有效性。针对特征提取后如何分类问题,提出了一种二级分类器的分类思想。在众多分类器中有基于线性分类器和非线性分类器,其中,最常使用的分类器有最近邻分类(k-Nearest Neighbor,KNN)、决策树分类器、朴素贝叶斯分类器、支持向量机(Support Vector Machine,SVM)等。以上分类器应用广泛性有限。所以,在本文中提出一种新颖的两种分类器组合的二级分类器(Two-stages classifiers)进行图像分类,第二级分类器通过纠错第一级分类器的预测值来提高最终的图像正确分类率(Correct Classification Percentages,CCPs)。