【OpenCV】Python图像处理之特征提取 - 详解

Python 图像处理中的特征提取是从图像中提取具有代表性的信息（如边缘、纹理、形状、关键点等），用于后续的分类、识别、检索等任务。以下结合常用算法和库（OpenCV、Scikit-image、PIL）详细介绍关键特征提取技术及实现代码。

一、基础特征提取

1. 颜色特征

颜色直方图是最常用的颜色特征，描述图像中颜色的分布。

‌OpenCV中‌calcHist函数用于计算图像的颜色直方图，支持多通道统计和自定义参数。以下是核心用法和注意事项：

函数原型：

cv2.calcHist(images, channels, mask, histSize, ranges)

• images: 输入图像列表（需用中括号包裹）
• channels: 通道索引（灰度图用，彩色图用[0,1,2]表示BGR通道）
• mask: 掩膜（None表示全图统计）
• histSize: 直方图的灰度级数（如[256]）
• ranges: 像素值范围（如[0,256]）

示例代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像并转换为RGB
img = cv2.imread('image.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 计算RGB颜色直方图
hist_r = cv2.calcHist([img_rgb], [0], None, [256], [0, 256])
hist_g = cv2.calcHist([img_rgb], [1], None, [256], [0, 256])
hist_b = cv2.calcHist([img_rgb], [2], None, [256], [0, 256])
# 绘制直方图
plt.figure(figsize=(12, 4))
plt.plot(hist_r, color='red', alpha=0.7)
plt.plot(hist_g, color='green', alpha=0.7)
plt.plot(hist_b, color='blue', alpha=0.7)
plt.title('RGB Color Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.show()

注意事项

• 多通道处理：彩色图需指定通道（如[0,1,2]），可分别计算各通道直方图。
• 掩膜应用：通过mask参数可限定统计区域（如只计算图像某部分）。
• 颜色空间转换：通常使用‌HSV或‌YUV等颜色空间提取更鲁棒的颜色特征

2. 纹理特征（灰度共生矩阵 GLCM）

GLCM 描述图像中灰度的空间分布关系，用于提取纹理特征（对比度、能量、熵等）。

from skimage.feature import greycomatrix, greycoprops
from skimage.color import rgb2gray
# 转换为灰度图像
gray_img = rgb2gray(img_rgb)
gray_img = (gray_img * 255).astype(np.uint8)  # 转换为8位灰度图
# 计算GLCM（距离1，角度0°、45°、90°、135°）
glcm = greycomatrix(gray_img, distances=[1], angles=[0, np.pi/4, np.pi/2, 3*np.pi/4],levels=256, symmetric=True, normed=True)
# 提取纹理特征
contrast = greycoprops(glcm, 'contrast')[0, 0]  # 对比度
energy = greycoprops(glcm, 'energy')[0, 0]      # 能量
homogeneity = greycoprops(glcm, 'homogeneity')[0, 0]  # 同质性
entropy = -np.sum(glcm * np.log2(glcm + 1e-10))  # 熵（需手动计算）
print(f"对比度: {contrast:.2f}, 能量: {energy:.2f}, 同质性: {homogeneity:.2f}, 熵: {entropy:.2f}")

二、边缘与轮廓特征

1. 边缘检测（Canny 算法）

Canny 算法通过多步骤检测图像中的边缘，具有高精度和低误检率。

‌Canny边缘检测算法是‌一种多级边缘检测算法，通过‌高斯滤波、‌梯度计算、‌非极大值抑制和‌双阈值检测四步实现图像边缘提取，最终输出二值边缘图像。

核心步骤

噪声去除

使用‌高斯滤波器（如5×5核）平滑图像，减少噪声干扰 。

计算梯度‌

• 通过‌Sobel算子计算水平（Gx）和垂直（Gy）方向的梯度 。 ‌
• 梯度幅值：​​，方向：θ=arctan⁡(Gy/Gx) 。 ‌

‌非极大值抑制‌

沿梯度方向（垂直、水平或对角线）比较当前像素与相邻像素的梯度值，仅保留局部最大值点，使边缘变“瘦” 。 

‌双阈值检测‌

• 高阈值（maxVal）：直接保留强边缘 。 
• 低阈值（minVal）：仅保留与强边缘相连的弱边缘 。

代码示例：

# Canny边缘检测
edges = cv2.Canny(img_rgb, threshold1=100, threshold2=200)
# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_rgb), plt.title('Original')
plt.subplot(122), plt.imshow(edges, cmap='gray'), plt.title('Canny Edges')
plt.axis('off')
plt.show()

参数说明：

• threshold1（minVal）和threshold2（maxVal）控制边缘强度 。 

• apertureSize指定Sobel核大小（默认3×3） 。 ‌

2. 轮廓检测

轮廓是图像中物体的边界，可用于形状分析和目标识别。

# 转换为灰度图并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 检测轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
contour_img = cv2.drawContours(img_rgb.copy(), contours, -1, (0, 255, 0), 2)
plt.imshow(contour_img)
plt.title('Contours')
plt.axis('off')
plt.show()
# 提取轮廓特征（面积、周长）
for cnt in contours:area = cv2.contourArea(cnt)  # 面积perimeter = cv2.arcLength(cnt, closed=True)  # 周长print(f"轮廓面积: {area:.2f}, 周长: {perimeter:.2f}")

三、关键点与局部特征

1. SIFT（尺度不变特征变换）

SIFT 提取具有尺度和旋转不变性的关键点，适用于图像匹配和目标识别（需注意专利问题，OpenCV 4.4 + 需手动安装扩展）。

# 初始化SIFT检测器
sift = cv2.SIFT_create()
# 检测关键点并计算描述符
keypoints, descriptors = sift.detectAndCompute(gray, None)
# 绘制关键点
sift_img = cv2.drawKeypoints(img_rgb, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
plt.imshow(sift_img)
plt.title('SIFT Keypoints')
plt.axis('off')
plt.show()
print(f"检测到关键点数量: {len(keypoints)}, 描述符维度: {descriptors.shape}")

2. SURF（加速稳健特征）

SURF 是 SIFT 的加速版本，效率更高（同样存在专利问题）。

# 初始化SURF检测器（Hessian阈值设为400）
surf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)
# 检测关键点并计算描述符
keypoints_surf, descriptors_surf = surf.detectAndCompute(gray, None)
# 绘制关键点
surf_img = cv2.drawKeypoints(img_rgb, keypoints_surf, None, (255, 0, 0), 4)
plt.imshow(surf_img)
plt.title('SURF Keypoints')
plt.axis('off')
plt.show()

3. ORB（Oriented FAST and Rotated BRIEF）

ORB 是开源的、高效的局部特征提取算法，结合了 FAST 关键点检测和 BRIEF 描述符，具有旋转不变性。

# 初始化ORB检测器
orb = cv2.ORB_create(nfeatures=1000)
# 检测关键点并计算描述符
keypoints_orb, descriptors_orb = orb.detectAndCompute(gray, None)
# 绘制关键点
orb_img = cv2.drawKeypoints(img_rgb, keypoints_orb, None, (0, 0, 255), 4)
plt.imshow(orb_img)
plt.title('ORB Keypoints')
plt.axis('off')
plt.show()
print(f"ORB关键点数量: {len(keypoints_orb)}, 描述符维度: {descriptors_orb.shape}")

四、深度学习特征提取

1. 使用预训练 CNN 模型（如 ResNet、VGG）

通过预训练的卷积神经网络提取高层语义特征，适用于复杂图像任务。

import torch
import torchvision.models as models
import torchvision.transforms as transforms
# 加载预训练ResNet50
model = models.resnet50(pretrained=True)
model.eval()  # 设为评估模式
# 图像预处理
transform = transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
# 读取图像并预处理
from PIL import Image
img_pil = Image.open('image.jpg').convert('RGB')
input_tensor = transform(img_pil).unsqueeze(0)  # 添加batch维度
# 提取特征（去掉最后全连接层）
feature_extractor = torch.nn.Sequential(*list(model.children())[:-1])
with torch.no_grad():features = feature_extractor(input_tensor)
features = features.squeeze().numpy()  # 转为NumPy数组
print(f"CNN特征维度: {features.shape}")  # ResNet50输出2048维特征

五、形状特征（Hu 矩）

Hu 矩是一组具有平移、旋转和尺度不变性的矩特征，用于形状描述。

# 计算Hu矩
moments = cv2.moments(gray)
hu_moments = cv2.HuMoments(moments)
# 对数变换（便于观察）
hu_moments = -np.sign(hu_moments) * np.log10(np.abs(hu_moments))
print("Hu矩特征:")
for i, hu in enumerate(hu_moments):print(f"Hu{i+1}: {hu[0]:.6f}")

六、总结

特征提取的核心是选择与任务匹配的特征类型：

• 基础任务（如图像检索）：颜色直方图、纹理特征（GLCM）；
• 目标匹配 / 识别：SIFT、ORB 等局部特征；
• 复杂语义任务（如分类、检测）：深度学习 CNN 特征；
• 形状分析：轮廓特征、Hu 矩。

结合传统算法和深度学习方法，可高效提取图像的浅层和深层特征，满足不同场景需求。