图像能简单直观地传递丰富的信息量,作为现代社会最常用的信息载体有着无可替代的重要性。利用图像处理技术从图像中提取信息,对理解图像、利用图像有很大帮助,尤其是在社会高度信息化、图像数据的数量呈爆炸性增长的背景下。图像中经常包含丰富的纹理信息,纹理形态和特性的多样性对图像信息的提取造成了干扰。从纹理图像中快速提取主结构可作为图像边缘检测、图像分割、色调映射等图像处理技术的基础环节。目标识别、运动分析等机器视觉应用也需要纹理图像主结构快速提取技术来降低纹理信息的干扰。根据优化模型法中加权最小二乘法模型的原理,提出了一种惩罚算子,能在纹理区域和主结构区域产生不同的权值,由此对这两种区域进行不同程度的平滑,达到剔除纹理提取主结构的效果。建立纹理区域图像样本库和主结构区域图像样本库,验证了权重算子的有效性。尝试从深度学习的角度思考主结构区域判定问题,探索高维纹理图像矩阵数据的低维特征表示,在Tensorflow深度学习框架的基础上,构建并训练神经网络来判定主结构区域并由此决定权值。通过实例验证权重算子直接求解加权最小二乘法模型和利用神经网络判定主结构区域两种途径提取纹理图像主结构在效果和时间消耗上的差异。加权最小二乘法模型涉及到大型稀疏矩阵方程的求解,本文选用一种分层预处理方法对矩阵方程的系数矩阵进行处理,可以在不影响纹理图像主结构提取效果的前提下,减小稀疏矩阵方程的条件数,由此降低矩阵方程求解的时间消耗。建立不同像素尺寸的纹理图像样本库,使用样本库验证本文中的预处理方法对纹理图像主结构提取过程中大型稀疏矩阵方程求解的加速效果。