机器视觉系统的图像特征提取所说的是在默认的数字图像数据中发掘出可以精确、详细且不冗余地表述目标对象的数据。从上面定义中可以看到，基于人工特征工程开展缺陷检测最重要的步骤就是从源图像提炼出缺陷的特点数据。若提取的特点不太精确，这样的话借助于该特点所做出的判定也必定是不准确的。并且，若提取的特点不太精炼、特点空间维度太大，可能会导致之后机器视觉辨别算法的复杂度非常高，深陷“维度灾难”。
机器视觉业界开展表面缺陷视觉检测时常见的图像特征有几何特征、形状特征、颜色特征、纹理特征和灰度值特点。
缺陷最重要的特点就是几何特征，通常用缺陷的范围周长、总面积的大小、位置和缺陷质心等相关信息来表示。缺陷周长和面积的大小分别是缺陷边界及内部的像素点数量，利用统计像素数量就可以提炼其几何特征。
形状特征是指其矩形度、细长度、圆形度、致密度、不变矩、偏心率等表述数据。对形状特征的描述主要可分为基于轮廓形状和基于范围形状两类，划分方法就在于形状特征仅从轮廓中获取还是从形状范围中获取。几何特征和形状特征的结合是划分缺陷类型的重要指标。
颜色特征是图像检索中应用最普遍的视觉特点，也是许多人识别图像最重要的认知特点。与几何特征和形状特征不同，颜色特征具有一定的旋转、平移不变性，鲁棒性较强。颜色特征能通过颜色直方图、颜色聚合向量、颜色矩等方式来提炼和相匹配。
纹理特征是图像原有的一个重要特点，体现了工件表面的具有缓慢变化或者周期性变化的表面结构组织排布特性。常见的表述纹理特征的方式有统计法和频谱法。统计法是通过图像的直方图的矩对纹理结构特征开展表述，频谱法是依据傅里叶频谱特性来表示图像的纹理结构特征。
缺陷的灰度值特点是一种在图像的灰度值量化级内，对各像素点灰度值的分布的方式来进行统计的表征量，可以利用图像的灰度直方图数据(如方差、均值、熵)获得图像的灰度值特点。
机器视觉系统的缺陷图像的图像特征提取实现了从图像空间到特征空间的转换，在实际工程中可以将图像的多种基本特征组合，形成综合性的缺陷表述特征值。然而，不是所有特点对后续的缺陷检测与图像理解有作用。假如图像特征提取的过多，造成特征值维度比较高，会给机器视觉系统带来相当多的冗余信息和繁琐的计算量，还需要再使用主成分分析等方式进行降维。假如图像特征提取的较少，则会造成对缺陷的表述不太准确，造成准确率和精确度不尽人意。
