图像特征提取是指识别和分离对物体识别或分类等任务有意义的特定模式或结构。其目标是将原始像素数据降维为一组更小的代表性值（特征），以捕获关键信息。这一过程有助于算法专注于相关细节，同时忽略噪声，从而提高机器学习等下游任务的效率和准确性。主要有两种方法：传统的特征工程方法和现代的深度学习技术。
传统方法依赖数学算法来检测低级视觉元素。例如，Sobel 或 Canny 等边缘检测滤波器通过识别像素强度中的突变来勾勒物体边界。SIFT（尺度不变特征变换）等关键点检测器定位独特的区域（例如，角点或斑点），并使用梯度直方图对其进行描述，使其对旋转或缩放变化具有鲁棒性。定向梯度直方图 (HOG) 是另一种计算局部图像区域中梯度方向的方法，常用于行人检测。这些技术需要手动调整，并且难以处理光照变化或复杂纹理等变化。例如，OpenCV 的 SIFT_create() 函数可以提取关键点和描述符，但开发者必须决定如何针对特定用例对它们进行过滤和匹配。
基于深度学习的方法，特别是卷积神经网络 (CNN)，通过直接从数据中学习层次模式来自动化特征提取。早期的 CNN 层检测边缘或颜色梯度等简单特征，而更深的层将这些特征组合成复杂的结构（例如，形状或物体部件）。例如，预训练的 ResNet 模型可以使用其最后一个卷积层的输出来作为图像的特征向量。TensorFlow 或 PyTorch 等框架简化了这一点：开发者可以加载模型，移除其分类头，然后将图像通过网络传递以提取特征。这种方法擅长处理尺度、旋转和光照的变化，因为模型在训练期间学习到不变的表示。然而，它需要大量的带标签数据集和计算资源。一个实际的实现可能涉及使用 torchvision.models.resnet18(pretrained=True) 并从 avgpool 层提取特征。