其它紋理特征

除了上述的Tamura特征、SAR模型和小波變換等紋理特征之外，還有許多其它的紋理特征。早在70年代，Haralick等研究人員就提出了用共生矩陣（co-occurrence matrix）表示紋理特征的方法[13]。該方法對從數學角度研究了圖像紋理中灰階級的空間依賴關系。它首先建立一個基于象素之間方向性和距離的共生矩陣，然後從矩陣中提取有意義的統計量作為紋理特征。許多其他研究人員沿着這個方向提出了擴充的方案。例如Gotlieb和Kreyszig研究了[13]中提出的統計特征，在實驗中得出能量、相關性、慣量和熵是最有效的特征[22]。

Gabor過濾法[23]能夠最大程度地減少空間和頻率的不确定性，同時還能夠檢測出圖像中不同方向和角度上的邊緣和線條。[24,25]中提到了很多方法根據過濾輸出結果來描述圖像特征。

此外，小波變換也常常與其它技術結合以獲得更好的效果，例如Gross 等人用小波變換與KL展開式和 Kohonen多處理機系統來進行紋理分析[26]。Thyagarajan等[27]用小波變換和共生矩陣來進行紋理分析，結合了統計和變換兩者的優點。