特徵提取技術包括這些：
1、主成分分析方法。主成分分析也稱為K-L變換，是在統計特徵基礎上的多維（如多波段）正交線性變換，也是遙感數字圖像處理中最常用的一種變換算法。線性變換方法進行特徵提取的目的是，從高維數據空間中，產生出一個合適的低維子空間，使數據在這個空間中的分佈可以在某種最優意義上描述原來的數據。主成分分析就是用得最多的一種線性變換方法，它產生一個新的圖像序列，使圖像按信息含量（或方差）由高到低排列，圖像之間的相關性基本消除。用前幾個主成分就可以表述原始數據中絕大多數信息含量，這是信息含量在最小均方差意義上的最優解。
2、基於遺傳算法的特徵提取。基於遺傳算法的特徵提取是一種結合了遺傳算法子空間搜索功能的低階特徵提取算法，它不但包括了光譜特徵提取功能，還結合了空間濾波和增強，可以對其他特徵進行提取。通過評估適應度函數，並對染色體應用選擇、雜交與變異等遺傳操作算子，產生理論上比上一代更可行的解。重複種羣的遺傳操作過程，直到找到符合條件的最優或者次優解。由於特徵空間的複雜性，有時候此方法並不一定有效。此外，以一種類似於多項式擬合的技術也有一定的侷限性，無法有效地表達特徵空間中隱藏的頻率信息。
3、灰度共生矩陣法。灰度共生矩陣又稱為灰度空間相關矩陣，是一種常用的紋理特徵提取方法，它是圖像中兩個像素灰度級聯合分佈的統計形式，能較好地反映紋理灰度級相關性的規律，圖像的灰度共生矩陣反映了圖像灰度關於方向、相鄰間隔、變化幅度的綜合信息，是分析圖像局部模式結構及其排列規則的基礎。有了灰度共生矩陣就可分析圖像的紋理。
4、Laws紋理能量法。根據一對像素或其鄰域的灰度組合分佈作紋理測量的方法，常稱為二階統計分析方法。灰度共生矩陣是一種典型的二階統計分析方法。但是如果只依靠單個像素及其鄰域的灰度分佈或某種屬性去作紋理測量，其方法就稱為一階統計分析方法。顯然一階方法比二階方法簡單。用一些一階分析方法作紋理分類，其正確率優於使用二階方法。Laws的紋理能量測量法是典型的一階分析方法，也是有名的通過算子計算紋理特徵的方法。
5、空間自相關函數法。紋理常用地物表面結構的粗糙程度來描述，粗糙性是紋理的一個重要特徵，其粗糙性的程度與局部結構的空間重複週期有關。週期大的紋理粗，週期小的紋理細。空間自相關函數是計算紋理測度的一種基本方法。紋理測度變化的傾向是小數值的紋理測度表示細紋理，大數值的紋理測度表示粗紋理。
6、波變換以及小波包變換方法。過去紋理分析缺乏對不同尺度的紋理的有效分析，Gabor濾波和小波變換則可以克服此缺點，小波變換繼承和發展了Gabor變換，不僅時頻窗口可以移動，而且窗口形狀也隨窗口中心頻率的變化而自動調整。主要表現為在高頻處時間分辨率高，在低頻處頻率分辨率高，有“聚焦”特性，所以又叫“數字顯微鏡”。小波包變換是小波變換的推廣，其理論和算法都是基於小波變換的。小波包變換能夠在所有的頻率範圍進行聚集，不但保留了小波分解的多分辨率特性，而且充分利用了紋理圖像豐富的細節信息，對遙感圖像的紋理特徵進行提取更具有優勢。
