Современное развитие вычислительной техники, сопровождающееся непрерывным ростом производительности, доступной по потребительским ценам, неуклонно ведет к ускорению процессов консолидации мирового информационного пространства. В рамках этих процессов неизбежно возникают задачи извлечения информации, из источников, традиционно считавшихся непригодными для автоматизированного анализа - изображения, видео- и аудио записи. В рамках задач, связанных с анализом изображений и видеозаписей естественным образом возникают задачи, носящих общее название задач текстурной сегментации.
Задача текстурной сегментации, в общей постановке, это задача разбиения заданного изображения, на участки, однородные по структуре. На данный момент различают два общих подхода к решению этой задачи: структурный и статистический. Структурный подход применяется к сегментированию изображений, сгенерированных искусственно. В нем, текстура рассматривается как шаблон, организованный из повторяющихся текселей - элементов текстуры. Статистический подход применятся к изображениям, имеющим природное происхождение - он менее точен, в нем применяются численные оценки расположения интенсивностей пикселов на участке изображения.
На сегодняшний день, можно различить две группы методов, активно развивающихся, и относящихся к методам группы статистического подхода. Это методы основанные на нейросетевых алгоритмах - группа методов Глубокого Обучения и методы, основанные на различных вейвлет-разложениях изображения. Среди методов, основанных на вейвлет-преобразованиях, особо перспективными считаются методы, основанные на применении вейвлетов