从上述定义中可以看出，基于人工特征工程进行缺陷检测最关键的步骤就是从图像中提取出缺陷的特征信息。
若提取的特征不够精准，那么依赖于该特征做出的判断也必然是不准确的。
同时，若提取的特征不够精炼、特征空间维度过大，可能导致后续判别算法的复杂性极高，陷入“维度灾难”。
业内进行表面缺陷检测时常用的图像特征有几何特征、形状特征、颜色特征、纹理特征和灰度特征。
缺陷最基本的特征就是几何特征，一般用缺陷的区域周长、面积大小、位置和缺陷质心等信息来表示。
缺陷周长和面积大小分别为缺陷边界及内部的像素点数量，通过统计像素个数即可提取其几何特征。
形状特征指的是其矩形度、细长度、圆形度、致密度、不变矩、偏心率等描述信息。
对形状特征的描述主要可以分为基于轮廓形状和基于区域形状两类，区分方法在于形状特征仅从轮廓中提取还是从形状区域中提取。
几何特征和形状特征的结合是区分缺陷类型的重要依据。
颜色特征是图像检索中应用最广泛的视觉特征，也是人们识别图像最主要的感知特征。
与几何特征和形状特征不同，颜色特征具备一定的旋转、平移不变性，鲁棒性较强。
颜色特征可以通过颜色直方图、颜色聚合向量、颜色矩等方法来提取和匹配。
纹理特征是图像固有的一个重要特征，体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。
常用的描述纹理特征的方法有统计法和频谱法。
统计法是利用图像的直方图的矩对纹理结构进行描述，频谱法是依据傅里叶频谱特性来描述图像的纹理结构。
缺陷的灰度特征是一种在图像的灰度量化级内，对各像素点灰度值的分布来进行统计的表征量，可利用图像的灰度直方图信息（如方差、均值、熵）获得图像的灰度特征。
缺陷图像的特征提取实现了从图像空间到特征空间的转换，在实际项目中一般将图像的多种基本特征组合，形成综合性的缺陷描述特征向量。
然而，并非所有特征对后续的缺陷检测与图像理解有作用。
如果特征提取的过多，使得特征向量维度较高，会带来较多的冗余信息和复杂的计算量，还需要再使用主成分分析(Principal Components Analysis，PCA)等方法进行降维。
如果特征提取的较少，则会导致对缺陷的描述不够准确，使得准确率和精度不尽人意。
(原标题：机器人视觉如何进行特征提取)