对于纹理的特征分析，前面谈到了宏观特征，如果跳出单纯的纹理图像，从普遍图像的角度来看待宏观特征，则主要分析的是图像灰度的分布特性。
根据图像灰度的分布，我们可以把任何图像分为灰度视觉均匀域和灰度变化急剧域。这是一种比较主观的划分，但是与人的视觉感受是符合的，因此也是机器模拟人类视觉进行目标识别的基础。而纹理区域属于视觉变化急剧域的特殊情况，因为它同时具有周期重复性，并在一定范围内形成均匀统一体。
通过对图像灰度变化的分析，为我们提供了一种图像分割的手段，这也是基于内容分割的一种，即分别提取出灰度视觉均匀域和灰度急剧变化域。其中，对灰度急剧变化域的提取也包括对图像边缘轮廓的检测和纹理区域的检测，因此，可作为一种纹理检测的手段。
本文将主要从宏观特征这个角度对纹理检测这一领域进行展开，而对于灰度视觉均匀域和图像边缘检测技术则有待下一步进行研究。
以下就纹理的灰度分布进行简单的分析，以后章节将有更加详细的讨论。
对于纹理图像来说有必要知道各个像素及其邻近像素的灰度分布情况。了解邻近像素灰度值变化的最简单方法是取一阶微分、二阶微分值的平均值与方差，如果要考虑纹理的方向性特征，则可考查方向差分的平均值与方差。
另外一种方法是检查小区域内的灰度直方图，例如，取小区域为，作这个像素的灰度直方图。然后检查各个小区域直方图的相似性。具有相似直方图的小区域同属于某一个大区域，而直方图不同的小区域分属不同的区域。检测灰度直方图相似性可以采用Kolmogorov-Smimov检测法。这种方法先求两个灰度直方图的分布函数F1(x)和F2(x)，对所有的灰度值求分布函数的差，从中找出最大差值。若最大差值小于某一门限值，则认为这两个灰度直方图是相似的，具有相同的灰度分布，否则认为是不同的灰度直方图。
小结
本章讨论了纹理的描述及表征方法。
首先从二维信号的角度，分析了纹理图像的空间自相关性，计算出空间自相关函数，揭示了任何纹理所具有的粗糙性和方向性特征。同时，通过二维傅立叶变换，从功率谱角度对纹理进行分析，表明了纹理在能量分布上具有频率集中性和方向集中性。
进一步，着重对纹理的粗糙性度量进行了研究。由于纹理研究的广泛开展，人们对纹理图像建立了各种不同的数学模型，并提出了许多不同的纹理度量方法，本文主要介绍了两种具有代表性的度量方法，一种是空间自相关函数法，它是基于纹理空间域的统计分析为基础的，代表了传统的纹理度量方法。另一种是分形维数法，这是一种新的数学工具在图像处理中的应用，现在越来越受到人们的关注，在此基础上，建立了许多新的模型函数，通过实验，取得了良好的效果。因此，分形维数法代表了纹理分析中最新的研究方向，有必要对它进行一个介绍。
