图像处理中的特征提取是指在图像中识别和分离特定模式、结构或属性的过程，这些模式、结构或属性与分析或进一步的任务相关。它不处理每个像素，而是专注于有意义的元素，如边缘、角点、纹理或形状。 这一步通过将原始像素信息转换为捕获基本特征的紧凑特征集来简化数据，使后续任务（如分类或对象检测）更高效。例如，在一张汽车照片中，特征提取可能会突出显示车轮、前灯或车牌，而忽略不太相关的细节，如天空或背景树木。
常用的特征提取技术包括边缘检测（例如，Sobel 或 Canny 滤波器用于查找边界）、角点检测（例如，Harris 角点检测器用于识别边缘的交点）和纹理分析（例如，局部二值模式用于对表面进行分类）。特征描述符，如 SIFT（尺度不变特征变换）或 HOG（方向梯度直方图）将这些特征编码为数值表示。例如，HOG 将图像分割成单元格，计算每个单元格中的梯度方向，并将它们编译成直方图来表示对象形状。这些方法通常是组合使用的：边缘检测可以首先隔离对象轮廓，然后使用 HOG 来描述它们的形状以用于机器学习模型。传统方法需要手动选择算法，但现代深度学习模型（如 CNN）通过训练学习分层模式来自动进行特征提取。
特征提取的应用涵盖了众多领域。在面部识别中，算法提取诸如眼睛间距或鼻子形状之类的地标来区分个人。在医学影像中，诸如肿瘤边缘或血管模式之类的特征有助于诊断。自动驾驶汽车使用边缘和角点检测来识别车道线或障碍物。即使在诸如光学字符识别 (OCR) 之类的更简单的任务中，也会提取诸如字母中的线条交点之类的特征来对文本进行分类。虽然深度学习已将重点转移到自动特征学习，但在数据有限或可解释性很重要的场景中，传统方法仍然有用。例如，开发人员可以将 Canny 边缘检测与 HOG 结合使用来构建轻量级的行人检测器，而无需训练神经网络。最终，特征提取架起了原始数据和可操作的见解之间的桥梁，从而平衡了计算效率和特定于任务的准确性。