在计算机视觉与图像处理领域，特征提取技术的分类需兼顾逻辑性与全面性。行业内普遍采用 "提取的特征本质"、"分析维度"、"技术依赖范式"三个核心维度进行划分，可清晰涵盖当前所有主流方法，形成系统的分类框架。
一、按 "提取的特征本质" 分类（最核心的分类维度）
这是行业内最常用、最根本的划分方式，直接对应特征所蕴含的物理意义或数学属性，主要分为四大类：
（一）灰度特征提取
以图像像素的灰度值统计规律或分布特征为核心，是最基础的特征提取类型，无需复杂的数据变换或映射。
- 典型例子：灰度直方图（直观统计全图或区域的像素灰度分布情况）、灰度共生矩阵（通过描述空间相邻像素的灰度关联关系，实现纹理初步分析）、灰度均值 / 方差（分别衡量区域明暗程度与对比度强弱）。
- 核心用途：适用于图像分割（通过灰度差异区分前景与背景区域）、简单纹理分类（如快速辨别草地与水泥地的灰度模式差异）等基础任务。
（二）几何特征提取
聚焦图像中目标的 "形状、位置、结构" 等几何属性，是多尺度几何特征的 "上级分类范畴"，可进一步细分为单尺度与多尺度两类：
- 单尺度几何特征：在固定分辨率下提取的几何属性，如目标的面积、周长、圆形度（量化形状与标准圆形的接近程度）、通过 Sobel/Canny 算子提取的单尺度边缘、借助霍夫变换检测的直线 / 圆形等规则几何元素。
- 多尺度几何特征：即重点关注的细分方向，通过曲波、轮廓波等多尺度变换，捕捉不同分辨率层级下的边缘、轮廓与曲线特征（例如医学影像中不同缩放比例的器官轮廓细节）。
- 核心用途：支撑目标识别（如通过 "长方形轮廓 + 四个直角" 特征识别书本）、工业缺陷检测（如通过边缘连续性判断零件表面裂纹）等任务。
（三）纹理特征提取
专门描述图像中 "重复出现的灰度分布模式"（如木纹的交错纹理、布料的编织纹理、树皮的粗糙纹理），部分方法会融合多尺度分析以提升鲁棒性。
- 典型例子：LBP（局部二值模式，通过编码局部像素与中心像素的灰度对比关系描述纹理）、Gabor 滤波（通过多方向、多尺度的滤波器组提取纹理方向性特征）、小波变换（对纹理进行多尺度分解，分离不同层级的细节模式）。
- 核心用途：广泛应用于遥感图像地物分类（区分农田、森林、建筑的纹理差异）、织物质量检测（识别纹理畸变等缺陷）等场景。
（四）颜色特征提取
基于图像在特定颜色空间（如 RGB、HSV、Lab 等）的颜色信息，直接反映目标的色彩属性，不受形状、纹理等因素干扰。
- 典型例子：颜色直方图（统计全图或区域的颜色分布频率）、颜色矩（通过均值、方差、偏度量化颜色分布的集中程度与形态）。
- 核心用途：适用于水果成熟度检测（如通过红色像素占比判断苹果成熟度）、视频目标追踪（如锁定红色汽车进行连续跟踪）等任务。
二、按 "分析维度 / 尺度" 分类
该维度聚焦特征提取过程中是否考虑 "图像的分辨率层级差异"，核心区分 "单尺度" 与 "多尺度" 两种模式：
- 单尺度特征提取：仅在单一分辨率（原图或固定缩放比例）下进行特征提取，无法兼顾全局结构与局部细节。例如：通过 Canny 算子直接提取原图边缘、计算原始尺寸图像的灰度直方图。
- 多尺度特征提取：在多个分辨率层级（如原图、1/2 缩放图、1/4 缩放图）下同步提取特征，可适配不同大小的目标或细节。例如：多尺度 Gabor 滤波提取纹理、曲波 / 轮廓波的多尺度几何特征、小波变换的多尺度细节分解。
三、按 "技术依赖范式" 分类（经典 vs 深度学习）
该维度依据特征提取的技术逻辑差异划分，直接对应 "传统方法" 与 "AI 方法" 的分野：
- 传统非 AI 特征提取：基于手工设计的数学规则或算法实现，无需数据训练，属于 "经典特征提取体系"。前文提及的几何特征（霍特林变换、曲波、霍夫变换）、灰度特征、纹理特征（LBP、Gabor）等均属于此类。
- 深度学习特征提取：采用数据驱动模式，通过神经网络自主学习图像中的判别性特征，无需人工设计规则，属于 "AI 驱动的特征提取体系"。典型例子包括 CNN（卷积神经网络）提取的深层语义特征（如 AlexNet、ResNet 的卷积层输出）、Transformer（如 ViT）提取的全局关联特征。
- 核心用途：主要支撑高精度任务，如人脸识别、医学图像病灶分割、自动驾驶中的目标检测等。
总结
重点关注的 "多尺度几何特征提取"，本质是 "按特征本质分类（几何特征）" 与 "按分析维度分类（多尺度）" 的交叉细分方向。整体而言，特征提取技术的通用分类以 "特征本质"（灰度、几何、纹理、颜色）为核心框架，再结合 "分析维度"（单尺度 / 多尺度）或 "技术范式"（传统 vs 深度学习）进行二次细分，可形成覆盖所有主流方法的清晰分类体系。