从图像中提取特征的 10 种方法

从图像中提取特征（获取特征嵌入）是执行任何计算机视觉任务的第一步。以下是从图像中提取特征的几种方法：

1> 卷积神经网络 (CNN)：  CNN 通常是从图像中提取特征的首选，因为 CNN 专门设计用于处理彩色图像并执行更复杂的任务，例如图像分类、对象检测或分割，它可以提取复杂和具有任何变化的描述性特征，例如图像中的光照条件、比例和其他因素。它在处理图像后希望获得高精度的情况下非常有用，从而使其成为最有效的方法。

2> 灰度特征： 在颜色信息与手头任务不相关或不重要的情况下很有用。一些示例是： -> 图像相似性：评估 2 个图像的相似性 -> 文本识别 (OCR)：从图像中读取文本 -> 边缘检测：检测图像中的边界或边缘 -> 医学成像：分析灰度医学图像例如 X 射线、CT 扫描和 MRI，用于识别图像中的肿瘤或血管。 -> 面部识别：提取有关面部纹理的信息，这对于识别个人很有用。

3> 通道的平均像素值： 这是一种非常基本的图像特征提取技术，我们计算图像中每个颜色通道（红色、绿色和蓝色）的平均强度。这种方法在目标是执行简单的图像处理操作或获得图像的基本表示（例如缩略图创建、图像压缩和调整大小）的情况下很有用。然而，通道的平均像素值通常不适用于图像分类、对象检测或分割等更复杂的任务。这是因为通道的平均像素值没有考虑图像中像素之间的空间关系，也没有考虑不同通道之间的关系。

4> 边缘特征： 它对于涉及检测和分析图像中的边缘或边界的某些图像处理任务很有用，例如对象检测、运动检测、图像分割、医学成像和光学字符识别 (OCR)。边缘特征可用于识别像素强度的变化并检测图像中区域之间的急剧过渡。在目标是执行简单图像处理操作（例如边缘检测或边界提取）的情况下，边缘特征可能很有效。在图像数据相对简单且边缘定义明确的情况下，边缘特征也很有用。

5> 自动编码器： 在 CNN 架构计算成本太高或标记数据量有限的情况下，自动编码器可用于特征提取。在此应用程序中，自动编码器在图像数据集上进行训练，并用于提取可用于下游机器学习模型的特征。自动编码器通常用于无监督学习任务，例如异常检测、降维、图像去噪和压缩以及新数据点的生成，其目标是学习输入数据的紧凑表示。当输入数据是高维且有噪声时，它们特别有用，因为它们可以帮助去除噪声并提取相关特征。如果任务需要监督学习，例如图像分类或对象检测，CNN 是更好的选择。在某些情况下，自动编码器和 CNN 可以一起用于特征提取。例如，在迁移学习中，自动编码器可用于从图像数据集中提取特征，然后使用 CNN 使用较小的标记数据集对其进行微调。自动编码器学习到的特征可以作为 CNN 提高性能的起点。

6> 定向梯度直方图（HOG）： HOG 是一种特征描述符，它通过计算图像局部区域中定向梯度的直方图来从图像中提取梯度信息。HOG常用于计算机视觉任务，如物体检测、人脸检测、行人检测、文本分类和OCR。虽然 CNN 在各种与图像相关的任务中表现出卓越的性能，但在某些情况下，HOG 可能是特征提取的更好选择。一种这样的情况是当数据集相对较小并且由于缺乏数据或计算资源而训练深度学习模型可能不可行时。在这种情况下，HOG 可以提供一种简单有效的特征提取方法，可以轻松地与标准机器学习算法（例如支持向量机 (SVM)）结合使用。HOG 可能有用的另一种情况是当图像具有相对较低的分辨率或高度像素化时。在这种情况下，梯度可以提供比原始像素值更稳健的特征，使 HOG 成为特征提取的合适选择。

7> Scale-Invariant Feature Transform (SIFT)：  SIFT提取特征是基于检测关键点和提取局部特征描述符。SIFT 特征对尺度、方向和仿射变换具有不变性，广泛应用于计算机视觉任务，例如对象识别、图像拼接和 3D 重建。选择 SIFT 和 CNN 从图像中提取特征取决于几个因素，例如可用数据集（有限数据集）、计算资源和具体问题。

8> Local Binary Patterns (LBP)：  Local Binary Patterns (LBP)是一种广泛使用的特征提取方法，用于分析图像中的纹理信息。LBP 通过将像素的灰度值与其周围的邻居进行比较并将结果编码为二进制模式来捕获图像的局部结构。LBP 特征通常用于数据有限的地方和用于各种计算机视觉任务（例如人脸识别、纹理分析和对象识别）的机器学习算法中。LBP 的计算效率很高，可以在处理速度至关重要的实时应用程序中运行，例如监视和跟踪系统。

9> Frequency-based features:  Frequency-based features such as Fourier descriptors, 是一种特征提取方法，可以捕获图像的频率内容。这些特征通常用于计算机视觉应用，例如对象识别、纹理分析、数据压缩和图像检索。基于频率的特征用于数据有限且需要旋转不变性和空间不变性的地方。

10> Color-based features：  Color-based features是一种特征提取技术，可以捕捉图像的颜色分布和统计数据，也可用于图像检索。这些特征通常用于计算机视觉应用，例如对象识别、图像分割和基于内容的图像检索。它比 CNN 的计算效率更高，并且在数据有限的情况下使用。