图像分类是模式识别重要研究领域之一，它的任务是把目标样本分成不同类别，赋予样本相应类别标签。分类实现的基础是用传感器检测到样本的特征，比如形状、颜色、纹理等基本特征或通过基本特征提取更为复杂的特征信息，其中纹理是表示图像重要特征之一。很多物体如布、木板、森林、草原、梯田、斑马、病理照影等图像中有很多相似图像单元重复并成规则性分布，这类图像常称为纹理图像，其中相似图像单元重复成规则性分布常称为图像的纹理特征，纹理特征描述图像灰度级之间的空间分布及空间相互关系，常表现为斑、格、条、纹、环等图案，是大量特性相似或相同个体的有规律性综合反映。
不同物体纹理特征通常有较大区别，例如，森林比草地纹理粗糙，湿地和沼泽比森林和灌木林有更细微的纹理，沼泽与湿地相比其纹理更细，色调变化更缓慢；图像纹理特征受图像传感器分辨率的影响较大，如在高分辨率遥感图像中，细小地物都能在图像中清晰地表现出来，纹理特征不明显；而在低分辨率的图像中，纹理特征则要明显得多。纹理特征比几何特征、灰度特征含有更丰富的信息，它在遥感、医学图像处理、人脸识别、农业、工业等领域有广泛的应用。
人们对纹理图像进行了大量的研究，主要包括纹理特征提取、纹理图像分割、纹理图像分类、识别等领域。纹理特征提取在纹理识别过程中有着重要的作用，纹理特征性能对纹理图像分类影响很大，好的纹理特征使得纹理图像更容易分类，反之，不好的纹理特征使得纹理图像较难分类，不但分类时间长，而且分类效果差。除纹理特征外，分类方法对纹理图像分类效果也影响较大，好的分类方法使得分类时间短，分类效率高，分类准确率高，故分类方法在纹理图像分类中也非常重要。
小波散射网络是非反馈式的，通过计算信号的半离散小波变换，再通过非线性取模操作，得到的信号特征表达具有平移不变性、形变稳定性等优良特性。小波散射网络不但具有深度卷积网络的性质，还具有数学上的严格理论证明，且不需要学习滤波器的响应，所以适用于缺乏训练数据的情况。
小波散射变换以迭代的方式生成特征。首先，采用缩放函数对信号进行卷积，获得零阶散射系数。然后，按照以下步骤进行：（1）用一阶滤波器组中的每个小波滤波器对输入数据进行小波变换；（2）取每个滤波器输出结果的模数；（3）采用缩放滤波器对每个模数进行平均，其结果为一阶散射系数。
鉴于小波散射网络的优势，提出一种基于深层小波散射网络的纹理图像分类方法，算法程序运行环境为MATLAB R2021b，主要利用小波散射网络对二维纹理图像进行分类，可迁移至其他图像。所用数据如下：
部分代码如下：
if isempty(gcp)
parpool;
end
Imds = imageDatastore(location,'IncludeSubFolders',true,'FileExtensions','.png','LabelSource','foldernames');
Imds = shuffle(Imds);
[trainImds,testImds] = splitEachLabel(Imds,0.8);
分类结果如下：
完整代码：https://mbd.pub/o/bread/mbd-ZJaWl5pw
工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任
《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
