یکی از روش های پیشرفته در طبقه بندی بافت، ترکیب چند توصیفگر و استفاده از ویژگی های ترکیبی آنها است. الگوی دودویی محلی یکی از توصیفگرهای مهم و پرکاربرد در تصاویر بافتی است. شبکه های عصبی عمیق کانولوشن نیز از بهترین ابزارهای طبقه بندی به شمار می رود که نتایج بسیار دقیقی در طبقه بندی اغلب پایگاه های داده تولید می کند. در این پژوهش با ترکیب الگوی دودویی محلی کامل و شبکه عصبی عمیق کانولوشن DenseNet-121 یک روش برای طبقه بندی تصاویر بافتی نویزدار ارائه شده است که دقت بسیار بالایی را در طبقه بندی آنها فراهم می کند. این روش از سه ابزار استخراج ویژگی تشکیل شده است. در دو ابزار ، با استفاده از الگوی دودویی محلی کامل با دو شعاع و تعداد نقاط همسایگی مختلف، ویژگی های محلی تصاویر بافتی، در قالب هیستوگرام سه بعدی استخراج می شود. در ابزار سوم، ویژگی های تصاویر بافتی با استفاده از شبکه عصبی عمیق کانولوشن DenseNet-121 استخراج می شود. نوآوری دوم این پژوهش بخش کاهش ویژگی است که ابعاد هیستوگرام سه بعدی را با استفاده از شبکه عصبی کانولوشن کم عمق به صورت قابل توجهی کاهش می دهد. دقت طبقه بندی مدل پیشنهادی، به صورت عملی بر روی مجموعه های داده نویزی Outex، CUReT و UIUC با نویز گوسی با شدتهای نویز مختلف، ارزیابی شده است. دقت طبقه بندی مدل پیشنهادی برای مقادیر مختلف نویز، به صورت قابل توجهی نسبت به بسیاری از روش های پیشرفته گذشته افزایش یافته است و بهبودی بین 3 تا 10 درصد داشته است.
