Bessel-Fourier矩（Bessel-Fourier moments，BFMs）是一种用于图像分析和纹理识别的技术，特别适用于旋转不变图像识别。本文提出了一种基于BFMs的旋转、缩放和平移（Rotation, Scaling, and Translation，RST）不变纹理识别的新方法。该方法与基于其他矩的方法相比，Bessel-Fourier矩的径向多项式具有更多的零点，并且这些零点分布更为均匀。这使得Bessel-Fourier矩更适合用作不变纹理识别的广义正交化复矩。
为了验证该方法的有效性，研究者进行了三个实验，其中包括16、24和54个纹理图像的测试集。这些图像通过平移、旋转和缩放操作生成。实验中，正确分类百分比（Correct Classification Percentages，CCPs）与基于正交傅里叶-梅林矩（Fourier-Mellin moments）和Zernike矩的方法进行了比较。实验结果验证了理论推导的结论：在RST不变纹理识别方面，与基于正交傅里叶-梅林矩和Zernike矩的方法相比，Bessel-Fourier矩在无噪声和有噪声条件下具有更好的识别能力和鲁棒性。
纹理识别在计算机图像处理中扮演了重要角色，它有许多应用，如医学图像分析、卫星图像分析、遥感和视觉检测等。过去的三十年里，众多纹理分析和分类方法被提出，但许多方法都假定纹理具有相同的尺度和方向，这在实际应用中并不总是成立。因此，RST不变纹理识别吸引了越来越多研究者的关注。最近，有研究人员专注于旋转不变纹理分析，并提出了各种方法。
Bessel-Fourier矩的径向多项式之所以比其他矩更适合纹理识别，关键在于其具有更多且分布更为均匀的零点。这一特点让它们能够有效地应对图像在尺度和方向上的变化，从而实现了图像分析和处理的旋转、缩放和平移不变性。此外，实验结果显示，在包含噪声的条件下，Bessel-Fourier矩同样表现出优异的鲁棒性。
本文提出的纹理识别方法具有理论意义和实践应用价值，它为处理图像分析中尺度和方向变化的问题提供了一个有力的工具。Bessel-Fourier矩的提出为图像处理领域带来新的研究方向，它不仅在纹理识别中表现出色，也为其他图像分析任务提供了新的可能性。未来，随着更多相关研究的进行，Bessel-Fourier矩在图像分析与处理领域的应用将会更加广泛，特别是在那些对不变性有着严苛要求的领域。
