表面缺陷检测中的特征提取技术主要包括以下几种：
1. 基于阈值分割的特征提取：这种方法需要计算出一个分割阈值，然后将分割阈值与像素值进行比较。它适用于噪声比较大，缺陷形态、灰度不是很复杂的情况，如焊缝缺陷检测以及在钢球表面的缺陷检测中的应用。
2. 基于边缘检测算子的特征提取：边缘检测方法常借助空域微分算子进行，通过将其模板与图像卷积完成。这种方法对边缘信息很敏感，但抗噪性能比较差。
3. 基于聚类的图像分割方法：聚类方法是将一组目标根据从它们测得的特征值将它们划分到各类中的方法。这种分割方法是一种全局的方法，比基于边缘检测的方法更具有抗噪声的能力，适用于区域划分比较明显、并具有很强相关性的图像。
4. 基于几何、形状、纹理、颜色和灰度特征的传统特征提取：这种方法在图像缺陷检测中也被广泛应用，但存在工作量大、依赖经验等问题。
5. 基于深度学习的特征提取：深度学习通过卷积神经网络自动提取特征，适用于分类、目标检测和图像分割任务，提高了检测效率和准确性。例如，可以使用预训练的特征提取器对输入图像和重建图像进行处理，根据不同尺度提取的特征生成异常图。
6. 基于傅里叶变换和Gabor滤波的信号处理方法：傅里叶变换将图像变换到频率域上使用频谱能量或频谱熵等特征来表达纹理；Gabor滤波方法模拟了人类视觉感觉特性，具有很好的频率选择性和方位选择性，用于提取纹理特征。
还有一些特定的应用场景下使用的特征提取技术，如瓷砖表面缺陷检测中使用的surf算子提取特征点，再通过透视变换和差分得到传统特征的方法。这些方法的选择和应用需要根据具体的检测任务、缺陷类型和图像特征来确定。
