Este documento presenta un nuevo esquema de clasificación de imágenes para imágenes de arrecifes de coral bentónicos que se puede aplicar tanto a conjuntos de datos de imágenes individuales como a mosaicos compuestos. El método propuesto se puede configurar según las características (por ejemplo, el tamaño del conjunto de datos, el número de clases, la resolución de las muestras, la disponibilidad de información de color, los tipos de clases, etc.) de conjuntos de datos individuales. El método propuesto utiliza patrones binarios locales completados (CLBP), matrices de co-ocurrencia de niveles de gris (GLCM), respuesta de filtros de Gabor y histogramas de color de ángulo opuesto y canal de matiz como descriptores de características. Para la clasificación, se utiliza ya sea el vecino más cercano (KNN), red neuronal (NN), máquina de soporte vectorial (SVM) o distancia media ponderada por densidad de probabilidad (PDWMD). Se presenta la combinación de características y clasificadores que obtiene los mejores resultados junto con las pautas para la selección. La precisión y eficiencia de nuestro método propuesto se comparan con otras técnicas de vanguardia utilizando tres conjuntos de datos bentónicos y tres de texturas. El método propuesto logra la mayor precisión de clasificación general de cualquiera de los métodos probados y tiene un tiempo de ejecución moderado. Finalmente, el esquema de clasificación propuesto se aplica a un mosaico de imágenes a gran escala del Mar Rojo para crear un mapa temático completamente clasificado del bentos del arrecife.