随着计算机技术和人工智能的不断普及,图像的应用领域非常广泛,其中图像特征提取占据重要的主导地位,也是当前计算机视觉领域中热门的研究课题之一。在过去的研究中,局部特征的深入研究推动了整个计算机视觉领域的快速发展,其中最著名的局部二值模式(LBP)是局部特征中一种非常简单高效的局部描述子。自LBP提出来之后,受到众多研究者的追崇,改良的算法被应用于各种计算机视觉和模式识别领域中,包括纹理分类、人脸识别、目标检测等。但是各种LBP算法仍会存在一定的缺陷和瓶颈,如LBP构造的直方图向量长度过长,旋转不变能力不够突出,噪声鲁棒性还不够强等问题。为了增强LBP的鉴别能力,提升抗噪声的鲁棒性,本文对纹理分类中所用到的关键技术进行了深入研究后,提出了一些新算法,并应用到特定的纹理数据库进行验证。另外,Contourlet变换继承了Curvlet变换的各向异性的多尺度关系,能够提取图像的内在几何特征,因此本文也提出了基于Contourlet变换的纹理分类方法,并应用于纸币识别中。本文的主要工作和贡献如下:1、系统研究了纹理分类中较著名的纹理特征提取算法,如LBP、CLBP、DLBP、SCLBP等局部二值模式描述子,详细陈述了它们的工作实现原理,分析它们的优势和需要改进的地方,并介绍它们所应用的典型领域。2、研究了局部二值模式的改进算法。针对LBP的鉴别能力和抗噪能力较弱,本文在前人研究的基础上,对BRINT的提取识别算法进行改进,提出一种新的基于BRINT的尺度不变特征提取方法,通过BRINT的尺度不变空间分析,可以得到最优的尺度不变特征,并用不同的纹理数据库进行验证,得到较好的效果。首先,LBP描述子解决了旋转不变和灰度不变特性,但在尺度不变特性方面没有得到很好解决。我们提出的方法正好解决了这个瓶颈。其次,不同于其他传统的局部尺度不变特征,我们不需要估计局部的尺度,而仅仅使用了全局描述子去实现尺度不变特性。最后,我们将直方图横跨不同尺度空间,最终取每个分量最大值,并整合成一个最优直方图,实现尺度不变特性。这种新的方案在纹理数据库中能得到一定的提升效果。3、研究了基于Contourlet变换和统计特性的纸币纹理分类。首先介绍纸币识别的基本现状,详细介绍contourlet变换的工作原理以及相关的变种,随后利用contourlet变换分解出来的频率子带进行模式统计特征提取,结合灰度共生矩阵方法,采用基于支持向量机(SVM)方法实现了纸币纹理分类。最后与相关的方法比较,验证本文算法的可行性。