Classifying texture images relies heavily on the quality of the extracted features. However, producing a reliable set of features is a difficult task that often requires human intervention to select a set of prominent primitives. The process becomes more difficult when it comes to fuse low-level descriptors because of data redundancy and high dimensionality. To overcome these challenges, several approaches use machine learning to automate primitive detection and feature extraction while combining low-level descriptors. Nevertheless, most of these approaches performed the two processes separately while ignoring the correlation between them. In this paper, we propose a genetic programming (GP)-based method that combines the two well-known features of histograms of oriented gradients and local binary patterns. Indeed, a three-layer tree-based binary program is learned using genetic programming for each pair of classes. The three layers incorporate patch detection, feature fusion and classification in the GP optimization process. The feature fusion function is designed to handle different variations, notably illumination and rotation, while reducing dimensionality. The proposed method has been compared, using six challenging collections of images, with multiple domain-expert GP and non-GP methods for binary and multi-class classifications. Results show that the proposed method significantly outperforms or achieves similar performance to relevant methods from the state-of-the-art, even with a limited number of training instances.

对纹理图像进行分类在很大程度上取决于提取特征的质量。但是，生成可靠的一组特征是一项艰巨的任务，通常需要人工干预才能选择一组突出的基元。当融合低级描述符时，由于数据冗余和高维，该过程变得更加困难。为了克服这些挑战，几种方法使用机器学习来自动化原始检测和特征提取，同时结合低级描述符。但是，这些方法大多数都独立执行了两个过程，而忽略了它们之间的相关性。在本文中，我们提出了一种基于遗传编程（GP）的方法，该方法结合了定向梯度直方图和局部二进制模式的两个众所周知的特征。确实，使用遗传编程为每对类学习一个三层的基于树的二进制程序。这三层在GP优化过程中结合了补丁检测，特征融合和分类。特征融合功能旨在处理不同的变化，特别是照明和旋转，同时减小尺寸。使用六个具有挑战性的图像集合，对二进制和多类分类使用了多个领域专家GP和非GP方法，对提出的方法进行了比较。结果表明，即使在训练实例数量有限的情况下，所提出的方法也明显优于或达到与最新技术相关的性能。GP优化过程中的特征融合和分类。特征融合功能旨在处理不同的变化，特别是照明和旋转，同时减小尺寸。使用六个具有挑战性的图像集合，对二进制和多类分类使用了多个领域专家GP和非GP方法，对提出的方法进行了比较。结果表明，即使在训练实例数量有限的情况下，所提出的方法也明显优于或达到与最新技术相关的性能。GP优化过程中的特征融合和分类。特征融合功能旨在处理不同的变化，特别是照明和旋转，同时减小尺寸。使用六个具有挑战性的图像集合，对二进制和多类分类使用了多个领域专家GP和非GP方法，对提出的方法进行了比较。结果表明，即使在训练实例数量有限的情况下，所提出的方法也明显优于或达到与最新技术相关的性能。具有用于二进制和多类分类的多种领域专家GP和非GP方法。结果表明，即使在训练实例数量有限的情况下，所提出的方法也明显优于或达到与最新技术相关的性能。具有用于二进制和多类分类的多种领域专家GP和非GP方法。结果表明，即使在训练实例数量有限的情况下，所提出的方法也明显优于或达到与最新技术相关的性能。