图像处理特征工程是目标导向的多阶段流程：预处理（灰度转换、去噪、校正、归一化）奠定基础；显式提取（边缘/纹理/颜色/HOG）适用于小数据场景；隐式提取（迁移学习、微调）由深度学习自动学习语义特征；后处理（降维、归一化、拼接、截断）提升鲁棒性。
图像处理中的特征工程不是一步到位的操作，而是一套环环相扣、有明确目标导向的流程。核心逻辑是：从原始像素出发，逐步剥离干扰、强化判别信息，最终输出一组稳定、紧凑、对下游任务（如分类、检测、匹配）真正有用的数值表示。
一、预处理：为特征提取铺平道路
这步不产生“特征”，但决定了后续所有特征的质量上限。
-
灰度转换：多数底层特征（边缘、纹理）对亮度更敏感，RGB三通道常先转为单通道灰度图（如OpenCV的
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)） -
去噪滤波：高斯模糊（
cv2.GaussianBlur）适合平滑噪声；中值滤波（cv2.medianBlur）更适合去除椒盐噪声 -
几何校正：若图像存在倾斜或畸变，用仿射变换（
cv2.warpAffine）或透视变换（cv2.warpPerspective）先对齐，避免特征错位 - 归一化/标准化：将像素值缩放到[0,1]或标准化为均值0、方差1——这对深度学习模型训练稳定很关键
二、显式特征提取：传统方法可解释、易调试
适用于数据量小、需快速验证、或嵌入式部署等场景。
- 边缘与形状：用Canny算法提取轮廓，再计算Hu矩或轮廓面积/周长比，描述物体整体形态
- 纹理：LBP（局部二值模式）生成直方图，GLCM（灰度共生矩阵）计算对比度、相关性、能量等4–5个统计量
- 颜色：转HSV空间后，统计H（色相）、S（饱和度）直方图；或计算颜色矩（均值、标准差、偏度）
- HOG（方向梯度直方图）：将图像分块→每块计算梯度幅值和方向→按角度分bin统计→块内归一化→拼接成特征向量，特别适合行人检测
三、隐式特征提取：深度学习自动学出高层语义
不再手动设计，而是让CNN等模型在训练中自适应构建特征表达。
- 迁移特征：加载ResNet50、VGG16等预训练模型，去掉最后全连接层，用倒数第二层输出（如2048维向量）作为图像特征
- 特征可视化辅助理解：用Grad-CAM热力图看模型关注哪些区域，验证特征是否合理
- 微调策略：若目标域差异大，可解冻部分深层卷积层，用少量标注数据做轻量微调
四、特征后处理：让特征更鲁棒、更适配模型
提取出的原始特征向量往往需要再加工才能发挥最大效用。
- 降维：PCA主成分分析压缩维度，保留95%方差即可大幅减少冗余（尤其对HOG、LBP直方图有效）
-
归一化向量：对L2范数归一化（
sklearn.preprocessing.normalize），提升余弦相似度匹配稳定性 - 特征拼接：把颜色直方图 + HOG + 形状矩拼成一个长向量，融合多维度信息
- 异常值截断：对某些分布极偏的特征（如某类纹理能量值），用IQR法剔除离群点，防止拖累模型
基本上就这些。流程不是死板顺序，而是根据任务目标动态调整——比如做车牌识别，重点在ROI裁剪+边缘+字符分割；做遥感地物分类，则要加薄云去除、辐射定标等专用预处理。关键不在堆砌技术，而在每一步都清楚“我在为什么信息服务”。
