A análise de texturas é fundamental em diversas aplicações de visão computacional e de reconhecimento de padrões. Diversos descritores de textura são propostos na literatura, com a finalidade de se representar adequadamente as imagens de textura, sendo a extração de características uma etapa essencial nesta tarefa. No entanto, o desempenho dos descritores está relacionado ao tipo de imagem em que são aplicados, não havendo um descritor que garanta o melhor resultado para todo conjunto de imagens. Procedimentos como a fusão da informação permitem obter resultados melhores que os obtidos com a aplicação das respectivas técnicas individualmente. A fim de contribuir para a melhor representação de texturas, esta tese propõe três novos descritores de textura baseados em fusão de características, Completed Mean Local Mapped Pattern (CMLMP), Completed Median Local Mapped Pattern (CMedianLMP) e Completed Z with Tilted Z Local Mapped Pattern (CZTZLMP), fundamentados na associação da metodologia de extração de informações complementares de uma textura pelas componentes Sinal, Magnitude e Centro, com uma regra específica de determinação das diferenças de nível de cinza de uma vizinhança. Propõe também dois novos operadores de fusão, SomaM e GramM no espaço de fusão, cujas regras de combinação de características evidenciam as informações complementares entre os diferentes descritores combinados. Os métodos propostos foram aplicados a registro de imagens e a reconhecimento de distorção arquitetural mamária em mamografias digitais. Os respectivos desempenhos foram comparados aos de diversos descritores de textura e a operadores de fusão publicados na literatura. De acordo com os resultados obtidos, os descritores propostos apresentaram desempenho superior ao dos demais descritores com os quais foram comparados, o que incentiva a utilização dos mesmos em outras aplicações. Além disso, os operadores de fusão propostos permitiram resultados melhores que os obtidos com a aplicação dos demais operadores e resultaram em vetores de características de menor dimensão.

Texture analysis is essential in computer vision and pattern recognition. Several texture descriptors are proposed in order to properly represent texture images. However, the descriptors performance is dependent on the images. It is a hard task to develop an ideal descriptor as there is not a descriptor that guarantees the best result for the whole set of images. Information fusion achieves better results than individual sources. In order to contribute to texture representation, we propose three novel fusion-based texture descriptors, namely: Completed Mean Local Mapped Pattern (CMLMP), Completed Median Local Mapped Pattern (CMedianLMP) and Completed Z with Tilted Z Local Mapped Pattern (CZTZLMP), based on Signal, Magnitude and Centre complementary information with a specific rule for determining gray level differences in a neighborhood. To combine features from texture descriptors, this work also proposes two fusion operators, SumM and GramM. The proposed methods were applied to image registration and to the detection of breast architectural distortion in digital mammography, and then compared to several texture descriptors and fusion operators published in the literature. The experimental results show that the proposed fusion-based texture descriptors outperformed all other descriptors, which encourages their implementation in other applications. Moreover, the proposed fusion operators outperformed all other operators, and generated smaller feature vectors.