其它纹理特征

除了上述的Tamura特征、SAR模型和小波变换等纹理特征之外，还有许多其它的纹理特征。早在70年代，Haralick等研究人员就提出了用共生矩阵（co-occurrence matrix）表示纹理特征的方法[13]。该方法对从数学角度研究了图像纹理中灰度级的空间依赖关系。它首先建立一个基于象素之间方向性和距离的共生矩阵，然后从矩阵中提取有意义的统计量作为纹理特征。许多其他研究人员沿着这个方向提出了扩展的方案。例如Gotlieb和Kreyszig研究了[13]中提出的统计特征，在实验中得出能量、相关性、惯量和熵是最有效的特征[22]。
Gabor过滤法[23]能够最大程度地减少空间和频率的不确定性，同时还能够检测出图像中不同方向和角度上的边缘和线条。[24,25]中提到了很多方法根据过滤输出结果来描述图像特征。
此外，小波变换也常常与其它技术结合以获得更好的效果，例如Gross 等人用小波变换与KL展开式和 Kohonen多处理机系统来进行纹理分析[26]。Thyagarajan等[27]用小波变换和共生矩阵来进行纹理分析，结合了统计和变换两者的优点。