CNC-käsiteltyjen kuvien visuaalisia tunnistusominaisuuksia ovat väriominaisuudet, tekstuuriominaisuudet, tilasuhdeominaisuudet ja muotoominaisuudet. Väriominaisuudet perustuvat kaikkiin kuvan pikseleihin kuuluviin ominaisuuksiin. Tekstuuriominaisuudet lasketaan tilastollisesti alueella, joka sisältää useita pikseleitä. Spatiaalinen suhde viittaa spatiaaliseen sijaintiin tai suhteelliseen suuntasuhteeseen kuvan useiden kohteiden välillä. Muoto-ominaisuus viittaa tiettyyn muotoon, joka koostuu joukosta geometrisia elementtejä (pisteitä, viivoja, pintoja), joilla on tietty topologiasuhde työkappaleessa. Tärkeänä objektien visuaalisena informaationa muotoominaisuudet ovat objektien stabiileja attribuuttiesityksiä.
Eri visuaalisten ominaisuuksien vertailun ja yllä olevan dynaamisen vertailuarvon analyysin mukaan muotoominaisuus on dynaamisen vertailuarvon ominaisuuksien mukainen, joten muodon ominaisuus valitaan sen visuaalisena ominaisuutena. Yleensä muodon piirteet voidaan esittää muotoon perustuvina ääriviivapiirteinä ja muotoon perustuvina alueen piirteinä, mukaan lukien kulmat, reunat, suorat viivat, käyrät ja alueet. Jos reunassa on häiriöitä, syntyy suuri määrä vääriä reunapisteitä, jotka vaikuttavat reunapiirteen poimimiseen. Tässä vaiheessa on erittäin tärkeää löytää sopiva kuvankäsittelyalgoritmi.
Vastaavuusanalyysi ja piirteiden erotusmenetelmä CNC-työstöprosessissa, kun työstön referenssi on työkappaleen kulma, se näkyy kulmapisteinä visuaalisessa kuvassa. Kuvakulman visuaalisen havaitsemisalgoritmeista mallipohjainen menetelmä on laajimmin käytetty, mukaan lukien Harris-algoritmi, Susan-algoritmi, FAST-algoritmi ja SURF-algoritmi.
Niistä Susan-algoritmilla on hyvä kestävyys kohinaa vastaan, ja sillä on myös valon intensiteetin muutoksen ja kiertoinvarianssin invarianssi. Se käyttää hyvin vähän parametreja, joten se vaatii vähemmän laskentaa ja tallennusta. Siksi Susan-algoritmia käytetään poimimaan kulmakoordinaatit, eli dynaamisen referenssin sijainti.
Kun koneistusreferenssi on pyörivän pinnan akseli tai keskiviiva, se näkyy visuaalisessa kuvassa ympyrän keskipisteenä, mutta ympyrän keskipiste ei ole todellinen, joten sen visuaalisten piirteiden erottamiseen liittyy reunan irrottaminen ympyrän ja käyrän sovituksesta. Keskikoordinaattien saaminen on koneistuksen dynaaminen referenssiasema. Yleisesti käytettyjen reunanpoistooperaattoreiden joukossa Canny-operaattorilla on parempi paikannustarkkuus yhden pikselin reunassa kuin muilla reunantunnistusoperaattoreilla, ja sillä on parempi melunestokyky.
