الگوی دودویی محلی یکی از توصیفگرهای پرکاربرد در استخراج ویژگی از تصاویر بافتی است. شبکه های عصبی عمیق کانولوشن نیز از بهترین ابزار طبقه بندی با دقت بسیار بالابه شمار می رود. در این پژوهش با ترکیب ویژگیهای تولید شده توسط این دو روش یک ساختار برای طبقه بندی تصاویر بافتی نویزدار ارائه شده است که دقت بسیار بالایی را فراهم می کند. این روش از دو ابزار استخراج ویژگی تشکیل شده است. در یک ابزار ، با استفاده از الگوی دودویی محلی کامل ویژگی های محلی تصاویر بافتی، در قالب هیستوگرام سه بعدی استخراج می شود. در ابزار دوم ویژگی های 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 مدل پیشنهادی، روی مجموعه های داده نویزی Outex، CUReT و UIUC با نویز گوسی با شدتهای نویز مختلف، ارزیابی شده است. دقت طبقه بندی روش پیشنهادی برای مقادیر مختلف نویز، به صورت قابل توجهی نسبت به بسیاری از روش های پیشرفته افزایش یافته است و بهبودی بین 3 تا 15 درصد داشته است.
