機器學習最主要就是特征提取和特征分類。提取的特征的好壞，直接影響這分類的結果判斷，所以在整個系統中占有很重要的位置。所提取的特征要在能表征物體特征的基礎上，盡量做到維數少，易於計算和存儲。常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征等。
（1）顏色特征
特點：顏色特征是一種全局特征，描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特征是基於像素點的特征，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。
(2) 紋理特征
特點：紋理特征也是一種全局特征，它也描述了圖像或圖像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征是無法獲得高層次圖像內容的。與顏色特征不同，紋理特征不是基於像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特征具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特征，紋理特征常具有旋轉不變性，並且對於噪聲有較強的抵抗能力。但是，紋理特征也有其缺點，一個很明顯的缺點是當圖像的分辨率變化的時候，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，從二維圖像中反映出來的紋理不一定是三維物體表面真實的紋理。
（3）形狀特征
特點：各種基於形狀特征的檢索方法都可以比較有效地利用圖像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，形狀特征有兩類表示方法，一類是輪廓特征，另一類是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。
本文主要對常見的幾種圖像紋理特征進行簡述：
研究紋理特征時需要解決的最主要問題是，如何用相對較低的計算復雜度來提取一個適合用於分類的紋理特征。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，圖像紋理存在着各式各樣的變化。因此，理想中的紋理特征應該具備旋轉無關，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. 馬可夫隨機場參數
3. SIFT特征
4. 局部二值模式特征 LBP
5. 多分辨率直方圖特征
6. 邊緣方向直方圖特征
7.Gabor 濾波特征