要使用 MATLAB 从图像中提取特征，您可以使用内置函数和专为图像处理和计算机视觉设计的工具箱。 MATLAB 提供了多种方法，例如边缘检测、角点检测和基于深度学习的特征提取，每种方法都适用于不同的任务。 该过程通常包括预处理图像、选择适当的特征提取技术以及分析结果。 关键工具箱包括图像处理工具箱、计算机视觉工具箱和深度学习工具箱，它们为这些任务提供专用功能。
对于传统的特征提取，诸如 Canny 或 Sobel 算法之类的边缘检测方法可以识别对象的边界。 例如，使用 edge(image, 'Canny') 将 Canny 边缘检测器应用于灰度图像。 角点检测对于识别图像中的关键点很有用，可以使用诸如 detectHarrisFeatures() 或 detectFASTFeatures() 之类的函数来执行。 这些函数返回角点位置，这对于诸如图像拼接或对象跟踪之类的任务很有价值。 类似地，extractHOGFeatures() 计算定向梯度直方图 (HOG) 描述符，该描述符捕获纹理和形状信息。 这些方法通常需要将图像转换为灰度并调整诸如灵敏度阈值之类的参数以优化结果。
对于更高级的特征提取，可以使用诸如 AlexNet、VGG-16 或 ResNet 之类的预训练深度学习模型。 使用深度学习工具箱，您可以使用 alexnet() 加载模型，并使用 activations() 从中间层提取特征。 例如，features = activations(net, preprocessedImage, 'fc7') 从完全连接层 'fc7' 提取特征。 这种方法对于诸如图像分类或检索之类的任务很有用，在这些任务中需要高级语义特征。 此外，MATLAB 的 bagOfFeatures() 函数会创建视觉词汇表，用于编码诸如 SURF 或 ORB 之类的局部特征，从而启用诸如词袋建模之类的技术。 每种方法都有权衡：传统技术在计算上更轻便，而深度学习方法通常会产生更丰富的特征，但需要更多资源。