機器學習最主要就是特徵提取和特徵分類。提取的特徵的好壞，直接影響這分類的結果判斷，所以在整個系統中佔有很重要的位置。所提取的特徵要在能表徵物體特徵的基礎上，儘量做到維數少，易於計算和儲存。常用的影象特徵有顏色特徵、紋理特徵、形狀特徵、空間關係特徵等。
（1）顏色特徵

　　特點：顏色特徵是一種全域性特徵，描述了影象或影象區域所對應的景物的表面性質。一般顏色特徵是基於畫素點的特徵，此時所有屬於影象或影象區域的畫素都有各自的貢獻。由於顏色對影象或影象區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉影象中物件的區域性特徵。
(2) 紋理特徵

　　特點：紋理特徵也是一種全域性特徵，它也描述了影象或影象區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次影象內容的。與顏色特徵不同，紋理特徵不是基於畫素點的特徵，它需要在包含多個畫素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於區域性的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於噪聲有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當影象的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從二維影象中反映出來的紋理不一定是三維物體表面真實的紋理。
（3）形狀特徵

　　特點：各種基於形狀特徵的檢索方法都可以比較有效地利用影象中感興趣的目標來進行檢索，但它們也有一些共同的問題，通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。影象的輪廓特徵主要針對物體的外邊界，而影象的區域特徵則關係到整個形狀區域。

本文主要對常見的幾種影象紋理特徵進行簡述：
　　研究紋理特徵時需要解決的最主要問題是，如何用相對較低的計算複雜度來提取一個適合用於分類的紋理特徵。由於旋轉角度、物體尺度、光照條件以及同類物體紋理的類內方差等因素，影象紋理存在著各式各樣的變化。因此，理想中的紋理特徵應該具備旋轉無關，物體尺度無關以及光照無關的特點。

1. 灰度值共變異矩陣（Gray-Level Co-occurrence Matrices， GLCM）

2. 馬可夫隨機場引數

3. SIFT特徵

4. 區域性二值模式特徵 LBP

5. 多解析度直方圖特徵

6. 邊緣方向直方圖特徵

7.Gabor 濾波特徵