طبقه بندی بافت تصویر نقش بسیار مهمی در بینایی ماشین و پردازش تصویر دارد. اولین و مهم ترین مرحله در طبقه بندی بافت تصویر، استخراج ویژگی از تصویر می باشد. تا کنون روش های بسیار زیادی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند اما از میان روش های موجود الگوهای دودویی محلی، در شکل اصلی و بهبودیافته خود، به دلیل سادگی در پیاده سازی و استخراج ویژگی های مناسب با دقت طبقه بندی بالا، مورد توجه بسیاری از متخصصان این زمینه قرار گرفته است، ضمن اینکه شبکه های عصبی عمیق نیز یکی از بهترین ها در طبقه بندی تصاویر و استخراج ویژگی ها از تصویر است. بنابراین با علم به کارکرد دو روش فوق، در این پژوهش یک مدل جدید با ترکیب یادگیری عمیق و الگوهای دودویی محلی بهبود یافته ارائه شده است. الگوی دودویی محلی دودویی بهبود یافته و شبکه ی عصبی عمیق در استخراج ویژگی و طبقه بندی بافت از ابزار های مهم به شمار می آیند. ویژگی های تصاویر بافتی از طریق این دو ابزار به صورت جداگانه استخراج شده و با ترکیب این ویژگی ها با یکدیگر دقت قابل توجهی برای طبقه بندی تصاویر بافت حاصل می شود. استفاده از الگوی دودویی محلی بهبود یافته و شبکه های عصبی کانولوشن باعث استخراج ویژگی بیشتری از تصاویر بافت خواهد شد و در نتیجه دقت طبقه بندی بالا می رود. مدل پیشنهادی نسبت به چرخش و روشنایی و تغییر اندازه مقاوم است و الگوی های همگن و نا همگن را از یکدیگر جدا می کند که این امر باعث بهبود عملکرد آن می شود. مدل پیشنهادی روی پایگاه داده های Outex و CUReT اجرایی شده است. نتایج تجربی نشان می دهد که ترکیب یادگیری عمیق و الگوی دودویی محلی بهبود یافته برای طبقه بندی تصاویر بافتی موجب بالا رفتن دقت محاسبات می شود، دقت طبقه بندی این مدل از روش های پیشین بر طبق نتایج تجربی به دست آمده بیشتر می باشد.
