機器視覺系統的圖像特征提取所說的是在默認的數字圖像數據中發掘出可以精確、詳細且不冗余地表述目標對象的數據。從上面定義中可以看到，基于人工特征工程開展缺陷檢測最重要的步驟就是從源圖像提煉出缺陷的特點數據。若提取的特點不太精確，這樣的話借助于該特點所做出的判定也必定是不準確的。并且，若提取的特點不太精煉、特點空間維度太大，可能會導致之后機器視覺辨別算法的復雜度非常高，深陷“維度災難”。

　　機器視覺業界開展表面缺陷視覺檢測時常見的圖像特征有幾何特征、形狀特征、顏色特征、紋理特征和灰度值特點。

　　缺陷最重要的特點就是幾何特征，通常用缺陷的范圍周長、總面積的大小、位置和缺陷質心等相關信息來表示。缺陷周長和面積的大小分別是缺陷邊界及內部的像素點數量，利用統計像素數量就可以提煉其幾何特征。

　　形狀特征是指其矩形度、細長度、圓形度、致密度、不變矩、偏心率等表述數據。對形狀特征的描述主要可分為基于輪廓形狀和基于范圍形狀兩類，劃分方法就在于形狀特征僅從輪廓中獲取還是從形狀范圍中獲取。幾何特征和形狀特征的結合是劃分缺陷類型的重要指標。

　　顏色特征是圖像檢索中應用最普遍的視覺特點，也是許多人識別圖像最重要的認知特點。與幾何特征和形狀特征不同，顏色特征具有一定的旋轉、平移不變性，魯棒性較強。顏色特征能通過顏色直方圖、顏色聚合向量、顏色矩等方式來提煉和相匹配。

　　紋理特征是圖像原有的一個重要特點，體現了工件表面的具有緩慢變化或者周期性變化的表面結構組織排布特性。常見的表述紋理特征的方式有統計法和頻譜法。統計法是通過圖像的直方圖的矩對紋理結構特征開展表述，頻譜法是依據傅里葉頻譜特性來表示圖像的紋理結構特征。

　　缺陷的灰度值特點是一種在圖像的灰度值量化級內，對各像素點灰度值的分布的方式來進行統計的表征量，可以利用圖像的灰度直方圖數據(如方差、均值、熵)獲得圖像的灰度值特點。

　　機器視覺系統的缺陷圖像的圖像特征提取實現了從圖像空間到特征空間的轉換，在實際工程中可以將圖像的多種基本特征組合，形成綜合性的缺陷表述特征值。然而，不是所有特點對后續的缺陷檢測與圖像理解有作用。假如圖像特征提取的過多，造成特征值維度比較高，會給機器視覺系統帶來相當多的冗余信息和繁瑣的計算量，還需要再使用主成分分析等方式進行降維。假如圖像特征提取的較少，則會造成對缺陷的表述不太準確，造成準確率和精確度不盡人意。