بافت را می توان به صورت یک تابع از تغییرات مکانی شدت روشنایی پیکسل ها تعریف نمود. بافت، اندازه گیری میزان تغییرات هر سطح است که خصوصیاتی مانند همواری، نرمی، زبری، منظم بودن هر سطح جهت و تفاوت های منظم را اندازه گیری می کند. تشخیص بافت برای انسان کار ساده و آسانی است اما در سیستم بینایی ماشین و پردازش تصویر پیچیدگی های خاص خود را دارد. روش های شناسایی بافت وکلاس بندی آن ها، موضوع تحقیق بسیاری از محققین بوده است. اکثر سیستم های طراحی شده بر اساس ساختار تصاویر با پیکسل مربعی است. به همین دلیل، بسیاری از الگوریتم های ارائه شده همواره با مسائلی از جمله پیچیدگی، حجم بالای محاسبات، ناکافی بودن اطلاعات به دست آمده از بردار ویژگی های استخراج شده از تصویر به دلیل محدودیت های ساختار مربعی مواجه است. حدود 40 سال پیش ساختار جدیدی در ارائه تصاویر به صورت شش ضلعی ارائه گردید. به علت مزایای فراوانی که این ساختار در مقایسه با ساختار مربعی دارد، خیلی زود توجه بسیاری از محققین را به سوی خود جلب نمود. از جمله مزیت های ساختار شش ضلعی می توان به یکسان بودن فاصله هر پیکسل تا پیکسل های همسایه (همسانی) و کیفیت بالای آن ها در استخراج لبه ها و گوشه ها اشاره نمود. در این پایان نامه روشی نوین جهت استخراج بافت تصاویر در ساختار شش ضلعی تصاویر ارائه می شود. برای استخراج اطلاعات از بافت، پس از تبدیل تصاویر از ساختار مربعی به شش ضلعی، از الگوی دودویی محلی کامل طراحی شده در ساختار شش ضلعی استفاده می شود. در این روش اطلاعات بافت هر پیکسل از تصویر با کمک سه پارامتر اندازه اختلاف روشنایی پیکسل های همسایه با پیکسل مرکزی، علامت اختلاف روشنایی پیکسل های همسایه با پیکسل مرکزی و روشنایی پیکسل مرکزی در هر الگو به دست می آید. با اعمال توصیف گر مورد نظر، برای هر تصویر یک بردار ویژگی بدست می آید و با دسته بندی بردارهای ویژگی داده های آموزشی یک فرهنگ لغت ایجاد می گردد. سپس با استفاده از این فرهنگ لغت، مدل آموزشی برای مجموعه بافت تصاویر با کلاس های متفاوت مشخص می شود. الگوریتم گفته شده بر روی دو مجموعه تصاویر outex و brodatz اجرا شد. نتایج آزمایشگاهی نشان می دهد که دقت کلاس بندی بافت تصاویر در ساختار شش ضلعی در مقایسه با ساختار مربعی حدود 7 درصد بهبود پیدا می کند.