I løpet av de siste tiårene er det utviklet et stort antall metoder innen tekstur. For mange av metodene må flere parametere bestemmes, som for eksempel antall gråtoner og avstand i ``gray level co-occurrence matrix'' (GLCM) metoder. Dette resulterer i et meget stort antall mulige teksturegenskaper som kan analyseres. Hvis mange egenskaper er inkludert i en statistisk analyse basert på et begrense datasett, kan dette lett føre til alvorlige problemer. Det mest alvorlige problemet er at et stort antall egenskaper spenner ut et tilsvarende stort egenskapsrom. For å estimere parametere i et slikt høydimensjonalt egenskapsrom trengs store mengder observerte data. Hvis et stort antall egenskaper benyttes på et begrenset datasett, kan det lett oppstå overtilpasning. Det vil si at parametrene representerer det spesielle datasettet som analyseres og ikke de generelle klassene man ønsker karakterisere. Siden det ofte er problematisk å skaffe tilstrekkelig store datasett, er en løsning på problemet å begrense antall egenskaper i analysen. En større forståelse av de ulike teksturegenskapene vil derfor være av stor betydning, for å kunne redusere antall egenskaper i analysen. Som en del av prosjektet vil jeg analysere ulike strategier for å begrense antall egenskaper som inkluderes i teksturanalyse.
Et annet viktig aspekt innen teksturanalyse er evaluering av resultatet. Innen fagfeltet benyttes det ofte kryss-evaluering for å estimere klassifikasjonsresultatet. Ulempen med denne metoden er at slik den vanligvis benyttes vil den ofte gi for optimistiske resultater. En annen del av prosjektet vil være å analysere variabiliteten for ulike klassifikasjon og evalueringsmetoder med hensyn på antall datasampler og egenskapsdimensjonen.