En este estudio, introducimos una nueva aplicación del descriptor Smooth Overlap of Atomic Positions (SOAP) para la extracción y clasificación de características de imágenes a nivel de píxel como un referente para la extracción de características de nubes de puntos SOAP, utilizando dígitos manuscritos MNIST como referencia. Al convertir imágenes 2D en conjuntos de puntos 3D, calculamos vectores SOAP centrados en píxeles que son intrínsecamente invariantes a la traducción, rotación y simetría especular. Demostramos cómo los hiperparámetros del descriptor, particularmente el radio de corte, influyen significativamente en la precisión de clasificación, y mostramos que los vectores SOAP de alta dimensión pueden ser comprimidos de manera eficiente utilizando PCA o autoencoders con una pérdida mínima en el rendimiento predictivo. Nuestros experimentos también destacan la robustez del método ante ruido posicional, exhibiendo una degradación suave incluso bajo perturbaciones gaussianas sustanciales. En general, este enfoque ofrece un pipeline efectivo y flexible para extraer características de imágenes invariantes a rotaciones y traducciones, reduciendo potencialmente la dependencia de una extensa augmentación de datos y proporcionando una representación robusta para tareas de aprendizaje automático posteriores.