Сучасні системи комп’ютерного зору часто використовують для оброблення цифрового зображення нейронні мережі. Однак для цього потрібно створювати бази даних для їх навчання, що в здебільшого складає переважну долю ресурсів ІТ-проєкту. Тож актуальною задачею, аспекти якої розглянуто в цій статті, є методи підвищення якості навчання нейронних мереж на даних меншого обсягу. Також актуальним є й можливість оброблення даних, характер яких не був наявним в початковій базі прикладів для навчання. Для розв’язання цієї науково-технічної задачі – підвищення якості сегментації зображення за присутніми текстурними особливостями, – в роботі пропонується використовувати як вхідну інформацію до нейронної мережі не лише безпосередньо цифрове зображення, а й його локальні статистичні показники. Означене розширює інформативність вхідної інформації і нейронній мережі не потрібно вчитися для їх виділення. Для цього достатньо прийняти рішення щодо їх використання або нехтування як ознаками. Також для виділення текстурних особливостей запропоновано використовувати самоорганізаційні вихідні шари, які здатні працювати як класифікатори, що групують елементи за схожими групами ознак. У праці показано застосовність запропонованих рішень до текстурної сегментації цифрових зображень, зокрема картографічних фотографічних зображень.