局部二值模式作为一种经典的纹理描述算子,因其计算简单、特征判别性强和对单调光照变化鲁棒的优点在计算机视觉领域受到广泛关注。许多研究者结合特定的应用环境对LBP算子进行改进,相继提出了大量的LBP变体算子,但许多LBP变体算子仍然存在着一些不足。为此,本文从增强特征判别性和特征鲁棒性的角度出发,提出了三种图像特征描述算子。主要研究内容如下:为充分获取像素间深层次的相关性信息,增强算子对模糊和旋转变化的鲁棒性,提出了一种结合微分特征和Haar小波分解的鲁棒纹理表达方法。在微分特征通道上,通过各向同性的微分算子提取图像中多阶微分特征,使图像的微分特征在本质上旋转不变,且对图像模糊具有较强的鲁棒性;基于小波变换在时域和频域同时具有较好局部化的特点,在小波分解特征通道上,采用多尺度的二维Haar小波分解提取图像中模糊鲁棒特征;最后,串联两个通道上的特征直方图来描述图像纹理特征。实验结果表明,该方法的特征判别性以及对旋转变化和模糊的鲁棒性均较强,同时具有较低的计算复杂度,在样本数据较少的场合具有很好的适用性。为增强PRICo LBP算子的特征判别性,以及对旋转变化和噪声的鲁棒性,提出了一种鲁棒的多点共生完整局部二值模式算子RMCo CLBP。首先,利用旋转不变且计算简单的LBP编码索引确定当前像素点的多个共生点的方向;其次,结合邻域尺寸和共生点方向确定共生点的坐标;再次,在当前像素所在邻域和其共生点所在邻域上进行CLBP特征提取,利用多个像素点之间的共生特征增强特征的判别性;最后,为进一步增强算子的特征判别性和对尺度变化的鲁棒性,结合不同尺度下的多点共生特征作为最终的图像表示。实验结果表明,相较于PRICo LBP算子,RMCo CLBP算子的特征判别性更强,且对噪声和旋转变化具有更好的鲁棒性。为合理确定特征的量化阈值,并降低多值量化后特征的维度,提出了一种具有普适性的自适应阈值多值量化方法ATMVQ,并分别基于CINIRD和SFC算子详细介绍了本文提出的ATMVQ方法。首先,分别拟合出不同特征的PDF曲线,并借此计算对应特征的多值量化阈值;其次,采用多值量化编码的形式计算图像特征;再次,为降低多值量化特征的维度,提出了两种具有普适性且对纹理库具有较强相关性的特征映射方法,使映射后特征的维度大幅降低,且具有较强的判别性和一定的旋转不变性;最后,计算各映射后特征的直方图,并结合不同特征的直方图表示图像。实验结果表明,ATMVQ^CINIRD和ATMVQ^SFC算子不仅可大幅降低CINIRD和SFC算子的特征维度,且较CINIRD和SFC算子具有更强的特征判别性。