目前图像描述是计算机视觉和模式识别领域的研究热点,在无噪声和小噪声图像方面取得了显著的成就。在实际应用中,当获取作为信息载体的图像时,由于受复杂环境、图像采集设备和显示设备等各种因素影响,会使图像被引入噪声,从而导致难以从噪声图像中获得具有高鉴别性的特征。本文针对传统图像描述方法在噪声条件下特征鲁棒性差、纹理区别能力不足的问题,提出了几种优化的局部特征提取算法和特征选择算法,并在四个公共的数据库上进行了大量的实验,验证了本文算法的有效性,现将本文的主要贡献介绍如下:(1)针对图像的中心图像块与周围图像块纹理相似时局部差分二进制算法(Local Difference Binary,LDB)不能准确识别的问题,提出了多重扩展局部差分二进制(Multiple Extended Local Difference Binary,MELDB)。MELDB算子通过增加主对角线方向和副对角线方向上的像素均值和梯度信息来改进LDB描述符,同时对每一幅图像做几次不同大小的分块处理提取到特征,再将提取到的特征级联起来。(2)针对遗传算法(Genetic Algorithm,GA)和二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)容易陷入局部收敛的问题,提出了适应度和多样性协同选择的遗传算法(Fitness Diversity Synergy Genetic Algorithm,FDSGA)和自适应学习二进制粒子群算法(Adaptive Learning Binary Particle Swarm Optimization,ALBPSO)。FDSGA算子同时考虑到了适应度函数和差异度函数,使得新产生的最优个体有更大的概率能够进入下一轮的迭代中,ALBPSO算子中学习因子和惯性权重的值则根据迭代过程进行自适应学习。(3)针对FDSGA算法存在种群中的个体会被同化和ALBPSO算法在迭代过程中个体受种群中最优个体的指导作用导致算法容易陷入局部最优的问题,提出了基于FDSGA和ALBPSO协同演化的智能协作特征选择算法(Intelligent Cooperative Feature Selection,ICFS)。ICFS算法通过在某轮迭代中交换两种算法的最优个体来扩大各自个体的搜索空间以寻找个体更有效的特征。(4)针对ICFS算法得到的图像特征中存在较多的冗余特征的问题,提出了类监督智能协作特征选择算法(Class Supervised Intelligence Collaboration Feature Selection,CSICFS)。CSICFS算法在ICFS的基础上使用互信息来计算特征与类别之间的相似度,能够选择到更多与图像类别信息有关的特征。MELDB特征提取方法提取到的特征经过CSICFS特征选择算法选择到了特征的优秀子集。最后,本文通过添加不同比例的椒盐噪声在CMU-PIE、Extended-Yale B、Pho Tex和Raw Foot四个图像数据库上,再与经典特征描述算法以及近几年提出的优秀算法进行比较。实验结果表明,本文算法能够提取并选择出最优特征子集,提高了在高噪声场景下的图像识别率。综上所述,本文算法具有一定的实践应用价值和学术研究价值。