圖4-5則是以貓和狗為識別目標的一個圖像識別系統。系統需要一些貓和狗的圖像，通過這些圖像學習出貓和狗各自的特征（例如貓和狗的輪廓不一樣），再通過對貓狗特征的學習獲得能夠分辨貓狗的分類器。在訓練好貓狗分類器以后，當有新的貓或者狗的圖像輸入到系統時，系統首先將圖像轉換成特征，然后使用已經學習好的貓狗分類器就能自動識別出是貓還是狗。需要注意的是，系統只能對已經學習過的類別進行識別。例如，識別系統只訓練學習了狗和貓的圖像，那么該系統只能識別狗和貓的圖像。如果你給這個系統一只狐貍的圖像，該系統則無法識別。

通常，輸入的原始圖像有太多冗余的信息，而這些信息不是分類所必需的。因此，圖像分類的第一步是通過提取包含在圖像中的重要信息并舍棄其余部分來簡化圖像。例如，我們可以通過使用邊緣檢測器，將圖像中物體的邊緣信息提取出來。該步驟稱為特征提取。在傳統的計算機視覺方法中，設計這些特征對算法的性能是至關重要的。除了簡單的邊緣特征以外，我們可以進一步提取其它更有用的特征。常用的圖像特征包括Haar特征、HOG（Histogram of Oriented Gradients）特征、SIFT（Scale-Invariant Feature Transform）特征、SURF特征（Speeded Up Robust Feature)等。一旦獲取了圖像特征，我們就可以通過前面章節所學的分類學習方法對圖像進行分類。圖像識別常用的分類學習方法主要包括支持向量機、最近鄰分類器、人工神經網絡、深度學習等。