第 11 章特征提取 (Feature Extraction)

核心结论

背景（§11.1）：特征定义；预处理（归一化 / 边界 / 区域）。
边界预处理（§11.2）：链码 / 多边形近似 / 边界标记。
区域特征（§11.3）：纹理描述子（灰度共生矩阵 / LBP / Gabor）。
特征关系（§11.4）：特征向量相似度度量；特征归一化。
PCA / LDA（§11.5）：降维 / 监督降维；特征选择。
SIFT / SURF / ORB（§11.6）：局部特征；现代 CV 标准。

本章主旨

本章是 DIP 特征工程——从图像提取可计算的描述子。理解后才能做识别 / 匹配 / 检索的输入特征。

一、核心概念

本章围绕 6 个核心概念展开：背景 → 边界预处理 → 区域特征 → 特征关系 → 降维 → 局部特征。

概念	定义 + 重要性	实现提示
背景	特征定义；预处理。	§11.1；理解特征工程基础。
边界预处理	链码 / 多边形近似 / 标记。	§11.2；形状描述。
区域特征	GLCM / LBP / Gabor 纹理描述子。	§11.3；纹理分类。
特征关系	相似度度量；归一化。	§11.4；特征比较。
PCA / LDA	降维 / 监督降维。	§11.5；特征压缩。
局部特征	SIFT / SURF / ORB；现代 CV 标准。	§11.6；匹配 / 检索。

概念

定义 + 重要性

实现提示

背景

特征定义；预处理。

§11.1；理解特征工程基础。

边界预处理

链码 / 多边形近似 / 标记。

§11.2；形状描述。

区域特征

GLCM / LBP / Gabor 纹理描述子。

§11.3；纹理分类。

特征关系

相似度度量；归一化。

§11.4；特征比较。

PCA / LDA

降维 / 监督降维。

§11.5；特征压缩。

局部特征

SIFT / SURF / ORB；现代 CV 标准。

§11.6；匹配 / 检索。

二、详细笔记

2.1 背景 (Background)

What：特征定义；预处理（归一化 / 边界 / 区域）。

Why：理解特征工程基础。

How：

特征：图像可计算的描述子（向量）。
预处理：归一化（光照 / 尺度 / 旋转）。
边界 vs 区域：前者描述形状，后者描述纹理 / 颜色。

When：所有 CV 任务。

Example：SIFT 128 维描述子；ResNet 2048 维特征。

2.2 边界预处理 (Boundary Preprocessing)

What：链码 / 多边形近似 / 边界标记。

Why：形状描述；字符识别。

How：

链码：8 方向编码边界点（弗里曼链码）。
多边形近似：Douglas-Peucker 算法。
边界标记：边界段 → 数字序列。

When：形状识别；OCR；医学轮廓。

Example*：skimage.measure.approximate_polygon。

2.3 区域特征 (Regional Features)

What：纹理描述子。

Why：纹理分类；表面缺陷检测。

How：

GLCM（灰度共生矩阵）：统计像素对的空间关系。
LBP（局部二值模式）：3×3 邻域阈值 → 二进制码。
Gabor 滤波器：多尺度 / 多方向纹理。
HOG（方向梯度直方图）：SIFT 简化版；行人检测常用。

When：纹理分类；表面检测。

Example*：skimage.feature.graycomatrix；skimage.feature.local_binary_pattern。

2.4 特征关系 (Feature Relationships)

What：特征向量相似度度量；归一化。

Why：特征比较；检索 / 分类。

How：

距离：欧氏 / 城市街区 / 余弦。
相似度：余弦 / 皮尔逊相关系数。
归一化：L1 / L2 / 幂律。

When：特征匹配；分类；检索。

Example*：sklearn.metrics.pairwise.cosine_similarity。

2.5 PCA / LDA (Dimensionality Reduction)

What：PCA（无监督）/ LDA（有监督）。

Why：特征压缩；可视化；去噪。

How：

PCA：找最大方差方向；投影。
LDA：类间方差 / 类内方差最大化。

When：高维特征预处理；分类。

Example*：sklearn.decomposition.PCA；sklearn.discriminant_analysis.LinearDiscriminantAnalysis。

2.6 SIFT / SURF / ORB (Local Features)

What：局部关键点 + 描述子。

Why：现代 CV 匹配 / 检索标准。

How：

SIFT（2004）：DoG 关键点 + 128 维梯度直方图。
SURF（2006）：Hessian + 64 维；快于 SIFT。
ORB（2011）：FAST + BRIEF；二值 256 bit；实时。
深度学习：SuperPoint / LoFTR / DINOv2；当前 SOTA。

When：图像匹配；3D 重建；SLAM。

Example*：cv2.SIFT_create()；cv2.ORB_create(5000)。

三、关键图表

视觉图表

Figure 1. 图 11-1：边界链码示意

Figure 2. 图 11-2：SIFT 关键点

非可视化条目

非可视化条目（表 / 算法）

编号

内容摘要

表 11.1

局部特征对比（SIFT / SURF / ORB / 深度学习）。

式 11-1 至 11-30

GLCM / LBP / SIFT 公式。

核心公式对照表

概念

公式

欧氏距离

\(d(\mathbf{x}, \mathbf{y}) = \sqrt{\sum_i (x_i - y_i)^2}\)

余弦相似度

\(\cos(\mathbf{x}, \mathbf{y}) = \frac{\mathbf{x} \cdot \mathbf{y}}{|\mathbf{x}| |\mathbf{y}|}\)

GLCM 对比度

\(\text{Contrast} = \sum_{i,j} (i - j)^2 P(i,j)\)

LBP

\(\text{LBP} = \sum_{p=0}^{7} s(g_p - g_c) 2^p,\ s(x) = \begin{cases} 1, & x \geq 0 \\ 0, & x < 0 \end{cases}\)

四、思维导图

mindmap
  root((第 11 章 特征提取))
    背景
      特征定义
      预处理
    边界
      链码
      多边形近似
    区域
      GLCM
      LBP
    关系
      距离
      归一化
    降维
      PCA
      LDA
    局部
      SIFT
      SURF
      ORB

五、重点与易错点

特征工程是 CV 的核心：好特征 > 好算法。
归一化关键：L2 归一化使欧氏距离 = 余弦相似度。
LBP 是纹理经典：速度快；纹理分类首选。
GLCM 提供多统计量：对比度 / 相关性 / 熵等。
SIFT 是局部特征里程碑：尺度 / 旋转不变；现代深度学习更强。
PCA vs LDA：PCA 无监督；LDA 有监督（用标签）。
跨章衔接：第 10 章分割输入到本章特征提取；第 12 章分类输入是特征向量；第 7 章 SIFT 等局部特征是基础。

第 11 章 特征提取 (Feature Extraction)

核心结论

一、核心概念

二、详细笔记

2.1 背景 (Background)

2.2 边界预处理 (Boundary Preprocessing)

2.3 区域特征 (Regional Features)

2.4 特征关系 (Feature Relationships)

2.5 PCA / LDA (Dimensionality Reduction)

2.6 SIFT / SURF / ORB (Local Features)

三、关键图表

视觉图表

非可视化条目

核心公式对照表

四、思维导图

五、重点与易错点

第 11 章特征提取 (Feature Extraction)