纹理图像的特征提取和识别

　　由于纹理图像中所蕴含的纹理模式具有极大的多样性和复杂性，这使得纹理图像的特征提取和识别成为一项极具挑战性的任务。虽然在过去几十年纹理图像的特征提取和识别技术获得了很大的发展，但目前仍存在一些不足之处有待解决。《纹理图像的特征提取和识别》针对上述几个方面的问题开展研究，提出了一些新的或改进的纹理图像识别方法。近年来，随着纹理图像识别技术的发展，更复杂、更具挑战性的纹理图像识别任务被提上日程，以前所采用的特征提取和识别方法已经遇到了明显的瓶颈，在这种情况下，具有特征自主学习能力的深度学习方法开始在纹理图像特征提取和识别领域受到关注，为人类深入理解和识别纹理图像开辟了一个崭新的研究方向，因此，《纹理图像的特征提取和识别》也对基于深度学习的方法进行研究，解决了将深度学习方法应用于纹理图像特征提取和识别任务时的一些瓶颈问题。

　　王军敏，男，博士研究生，汉族，河南平顶山人。2019年毕业于西北工业大学信息与通信工程专业，获工学博士学位。在Signal，Image and Video Processing和Journal of Electronic Imaging以及《计算机辅助设计与图形学学报》《光电工程》等期刊上以首作者或通讯作者发表期刊论文二十余篇，主持国家质检总局科技计划项目和河南省科技厅科技攻关项目各一项，参与省部级项目三项。目前在平顶山学院从事教学科研工作，曾获平顶山学院第四届教学优秀奖一等奖，并先后获得平顶山学院首届我喜爱的教师、优质课教师、优秀教师、师德标兵等荣誉称号。

1 绪论
1．1 研究背景及意义
1．2 研究现状以及存在的问题
1．3 本书的主要内容与结构安排
2 基于局部特征描述和纹理基元学习的方法
2．1 引言
2．2 现有的纹理基元学习方法
2．3 本章方法描述
2．4 实验与结果分析
2．5 本章小结
3 全局和局部编码Gabor特征融合的方法
3．1 引言
3．2 Gabor滤波方法简介
3．3 本章方法描述
3．4 实验与结果分析
3．5 本章小结
4 光照、旋转和尺度稳健的改进CLBP方法
4．1 引言
4．2 传统CLBP算法简介
4．3 本章方法描述
4．4 实验与结果分析
4．5 本章小结
5 彩色纹理图像的特征提取和识别方法
5．1 引言
5．2 颜色信息的作用和应用条件
5．3 彩色纹理图像的特征提取方法研究
5．4 实验与结果分析
5．5 本章小结
6 基于深度卷积神经网络的方法
6．1 引言
6．2 CNN的基本原理
6．3 迁移学习及其可行性分析
6．4 基于VGG-16模型和迁移学习的纹理图像识别
6．5 基于MobileNet模型和迁移学习的纹理图像识别
7 纹理图像特征提取和识别方法的应用
7．1 引言
7．2 纹理图像特征提取和识别方法的应用1：树皮分类
7．3 纹理图像特征提取和识别方法的应用2：图像检索
7．4 纹理图像特征提取和识别方法的应用3：纸币鉴别
7．5 本章小结
8 总结与展望
8．1 总结
8．2 未来研究展望
参考文献