اولین گام در طبقه‌بندی تصاویر بافتی، توصیف بافت با استفاده از استخراج ویژگی‌های تصویری مختلف از آن است. تاکنون روش‌های متعددی برای این موضوع توسعه یافته‌اند که از جمله مشهورترین آن‌ها می‌توان به روش الگوی باینری محلی اشاره کرد. به منظور استخراج اطلاعات بافتی در مقیاس‌های مختلف، روش الگوی باینری محلی را می‌توان در یک چهارچوب چندمقیاسه پیاده‌سازی نمود. در این حالت، بردارهای ویژگی بدست‌آمده در سطوح مقیاس مختلف به یکدیگر ملحق می‌شوند تا یک بردار ویژگی برآیند با طول بیشتر را تولید نمایند. اما چنین روشی دارای دو عیب مهم است. اولا، روش الگوی باینری محلی به شدت نسبت به نویز حساس است و با افزودن نویز به تصویر بافتی، بردارهای ویژگی بدست‌آمده ممکن است به شدت تغییر کنند. ثانیا، با افزایش تعداد مقیاس‌ها، طول بردار ویژگی بدست‌آمده نیز افزایش می‌یابد که این امر ضمن کاهش سرعت فرآیند طبقه‌بندی بافت، ممکن است دقت طبقه‌بندی را نیز کاهش دهد. برای رفع و یا کاهش این دو عیب، در این مقاله، روشی مبتنی بر الگوی باینری محلی چندمقیاسه پیشنهاد می‌شود که از مقاومت بهتری در مقابل نویز سفید گوسی برخوردار است و در عین حال، طول بردار ویژگی تولیدی توسط آن دقیقا برابر با طول بردار ویژگی تولیدی توسط روش اصلی الگوی باینری محلی در حالت تک‌مقیاسه می‌باشد. آزمایش‌ها بر روی چهار گروه از پایگاه داده Outex انجام شده که آزمایشات انجام گرفته نشان دهنده برتری روش پیشنهادی نسبت به روش‌های موجود مشابه می‌باشد.

کلمات کلیدی