《数字图像处理》实验7-图像特征提取

一、实验核心概述

1. 实验目标

理解图像特征提取的核心意义（提取区分性关键信息，支撑后续识别、分类任务）；
掌握多维度特征提取方法：颜色空间通道、边缘、角点、SIFT 特征、纹理特征；
熟悉 MATLAB 相关工具函数的使用，对比不同特征提取算法的效果与适用场景。

2. 实验环境

操作系统：Windows 8/10/11
软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox）

3. 核心原理与关键函数

特征分类：颜色特征（RGB/HSV 通道）、边缘特征（基于灰度突变）、角点特征（局部灰度变化剧烈的点）、SIFT 特征（尺度不变特征）、纹理特征（基于灰度共生矩阵 GLCM）；
关键函数：rgb2hsv（颜色空间转换）、edge（边缘提取）、corner/detectHarrisFeatures（角点检测）、detectSIFTFeatures（SIFT 特征提取）、graycomatrix/graycoprops（灰度共生矩阵与纹理特征计算）。

二、完整实验内容与代码实现

（一）颜色空间通道提取

实验任务

读取彩色图像→提取 RGB 三通道→转换至 HSV 空间并提取 H、S、V 三通道→可视化所有通道。

完整代码

复制代码

% 读取彩色图像
img = imread('1.png');

% 提取RGB颜色空间三通道
R = img(:,:,1); % 红色通道
G = img(:,:,2); % 绿色通道
B = img(:,:,3); % 蓝色通道

% 转换至HSV颜色空间并提取通道
hsv_img = rgb2hsv(img);
H = hsv_img(:,:,1); % 色调通道（0-1，代表颜色种类）
S = hsv_img(:,:,2); % 饱和度通道（0-1，代表颜色鲜艳程度）
V = hsv_img(:,:,3); % 明度通道（0-1，代表亮度）

% 可视化所有结果（3x3布局，居中显示原图）
figure('Name','图像通道提取结果', 'Position', [100, 100, 1200, 800]);
subplot(3,3,2); imshow(img); title('原始彩色图像', 'FontSize', 12);
subplot(3,3,4); imshow(R); title('R通道', 'FontSize', 12);
subplot(3,3,5); imshow(G); title('G通道', 'FontSize', 12);
subplot(3,3,6); imshow(B); title('B通道', 'FontSize', 12);
subplot(3,3,7); imshow(H); title('H通道', 'FontSize', 12);
subplot(3,3,8); imshow(S); title('S通道', 'FontSize', 12);
subplot(3,3,9); imshow(V); title('V通道', 'FontSize', 12);

实验结果

RGB 通道：每个通道仅保留对应颜色信息，单通道呈灰度显示（亮度对应颜色强度）；
HSV 通道：H 通道反映颜色种类，S 通道反映颜色鲜艳度（值越高越鲜艳），V 通道反映亮度（与灰度图类似）。

（二）边缘特征提取（多算子对比）

实验任务

读取彩色图像→转换为灰度图→使用 Prewitt、Canny、LOG 算子提取边缘→对比边缘效果。

完整代码

复制代码

% 读取彩色图像并转换为灰度图
img = imread('CSGO.jpg');
gray_img = rgb2gray(img);

% 三种算子提取边缘（edge函数直接调用）
edge_prewitt = edge(gray_img, 'prewitt'); % Prewitt算子（3x3模板，抑制噪声）
edge_canny = edge(gray_img, 'canny');     % Canny算子（多步骤，边缘连续平滑）
edge_log = edge(gray_img, 'log');         % LOG算子（高斯滤波+拉普拉斯，检测细边缘）

% 可视化结果
figure('Name','边缘特征提取结果', 'Position', [100, 100, 1000, 600]);
subplot(2,2,1); imshow(gray_img); title('原始灰度图', 'FontSize', 12);
subplot(2,2,2); imshow(edge_prewitt); title('Prewitt算子边缘', 'FontSize', 12);
subplot(2,2,3); imshow(edge_canny); title('Canny算子边缘', 'FontSize', 12);
subplot(2,2,4); imshow(edge_log); title('LOG算子边缘', 'FontSize', 12);

实验结果

算子特性：
- Prewitt 算子：边缘较粗，抗噪性一般，对水平 / 垂直边缘敏感；
- Canny 算子：边缘连续、无断裂，抗噪性最强（综合效果最优）；
- LOG 算子：边缘细腻，能检测细边缘，但对噪声较敏感。

（三）角点特征提取（Harris 角点检测）

实验任务

读取彩色图像→转换为灰度图→使用corner和detectHarrisFeatures两种方法提取角点→对比不同阈值下的检测效果。

完整代码

复制代码

% 读取图像并转换为灰度图
I = imread('阿狸2.jpg');
gray_img = rgb2gray(I);

% 可视化窗口设置
figure('Position', [100, 100, 1800, 900], 'Name', 'Harris角点检测对比');

% 子图1：原始灰度图
subplot(1,3,1); imshow(gray_img); title('原始灰度图', 'FontSize', 14);

% 子图2：基础corner函数检测（QualityLevel=0.01）
subplot(1,3,2); imshow(gray_img); hold on;
% 检测角点并过滤近距离重复点
corners1 = corner(gray_img, 'QualityLevel', 0.01);
min_dist = 5; % 最小角点间距
if ~isempty(corners1)
    [~, idx] = sort(sum(corners1.^2, 2), 'descend');
    corners1 = corners1(idx, :);
    keep = true(size(corners1, 1), 1);
    for i = 1:size(corners1, 1)
        if keep(i)
            dists = sqrt(sum((corners1(i,:) - corners1(i+1:end,:)).^2, 2));
            keep(i+1:end) = keep(i+1:end) & (dists > min_dist);
        end
    end
    corners1 = corners1(keep, :);
end
% 绘制角点（绿色）
plot(corners1(:, 1), corners1(:, 2), 'go', 'MarkerSize', 6, 'LineWidth', 1.5);
title(['基础corner函数检测 (', num2str(size(corners1, 1)), '个角点)'], 'FontSize', 12);
hold off;

% 子图3：detectHarrisFeatures函数检测（MinQuality=0.01）
subplot(1,3,3); imshow(gray_img); hold on;
points = detectHarrisFeatures(gray_img, 'MinQuality', 0.01);
corners2 = points.Location;
% 绘制角点（红色）
plot(corners2(:, 1), corners2(:, 2), 'ro', 'MarkerSize', 6, 'LineWidth', 1.5);
title(['detectHarrisFeatures检测 (', num2str(size(corners2, 1)), '个角点)'], 'FontSize', 12);
hold off;

% 输出统计信息
sgtitle('Harris角点检测方法对比', 'FontSize', 14, 'FontWeight', 'bold');
fprintf('基础corner函数检测角点数量：%d\n', size(corners1, 1));
fprintf('detectHarrisFeatures检测角点数量：%d\n', size(corners2, 1));

实验结果

检测差异：detectHarrisFeatures检测到的角点更多（本例 1075 个），corner函数经去重后角点更少（本例 168 个）；
角点分布：主要集中在图像边缘、纹理丰富或灰度突变的区域；
阈值影响：QualityLevel/MinQuality 值越小，检测到的角点越多，灵敏度越高。

（四）SIFT 特征点提取

实验任务

读取彩色图像→转换为灰度图→使用detectSIFTFeatures提取特征点→选择前 10 个最强特征点可视化。

完整代码

复制代码

clear, clc, close all;

% 读取彩色图像
I = imread('阿狸.jpg');

% 转换为灰度图
gray_img = rgb2gray(I);

% 检测SIFT特征点（尺度不变特征，抗旋转、缩放）
points = detectSIFTFeatures(gray_img);

% 选择前10个最强特征点（按强度排序）
strongestPoints = points.selectStrongest(10);

% 可视化结果
figure('Position', [100, 100, 1000, 400], 'Name', 'SIFT特征点检测');
subplot(1, 2, 1); imshow(I); title('原始彩色图像', 'FontSize', 12);
subplot(1, 2, 2); imshow(gray_img); hold on;
plot(strongestPoints, 'ShowScale', false); % 绘制特征点
title(sprintf('SIFT特征点检测\n前10个最强特征点'), 'FontSize', 12);
hold off;

% 输出特征点信息
fprintf('检测到 %d 个SIFT特征点\n', points.Count);
fprintf('显示了前10个最强的特征点\n');

实验结果

SIFT 特征点：具有尺度不变性和旋转不变性，最强特征点集中在图像纹理最丰富、灰度变化最剧烈的区域；
应用场景：适用于图像匹配、目标识别（如物体追踪、图像拼接）。

（五）纹理特征提取（基于灰度共生矩阵 GLCM）

实验任务

读取彩色图像→转换为灰度图→选择多个 ROI 区域→计算不同方向（0°、45°、90°、135°）的 GLCM→提取对比度、相关性、能量、同质性 4 种纹理特征→对比区域差异。

完整代码

复制代码

% 交互式选择图像文件
[fname, pname] = uigetfile({ ...
    '*.jpg;*.jpeg;*.png;*.bmp;*.tif;*.tiff', ...
    '图像文件 (*.jpg, *.jpeg, *.png, *.bmp, *.tif, *.tiff)'; ...
    '*.*', '所有文件 (*.*)'}, ...
    '请选择要分析的图像文件');

% 处理文件选择（取消则使用默认图像）
if isequal(fname, 0) || isequal(pname, 0)
    fprintf('用户取消了文件选择，使用默认示例图像...\n');
    I = imread('peppers.png');
else
    imagePath = fullfile(pname, fname);
    fprintf('读取图像: %s\n', imagePath);
    I = imread(imagePath);
end

% 转换为灰度图
if size(I, 3) == 3
    gray_img = rgb2gray(I);
else
    gray_img = I;
end

% 可视化原图与灰度图
figure('Position', [100, 100, 1000, 400]);
subplot(1,2,1); imshow(I); title('原始彩色图像', 'FontSize', 12);
subplot(1,2,2); imshow(gray_img); title('灰度图像', 'FontSize', 12);

% 定义3个感兴趣区域（ROI）
[height, width] = size(gray_img);
if height > 300 && width > 300
    roi_size = 100;
    roi1 = gray_img(50:50+roi_size-1, 50:50+roi_size-1); % 左上角
    roi2 = gray_img(round(height/2)-50:round(height/2)+49, round(width/2)-50:round(width/2)+49); % 中心
    roi3 = gray_img(height-roi_size-49:height-50, width-roi_size-49:width-50); % 右下角
else
    roi_size = min(floor(height/4), floor(width/4));
    roi1 = gray_img(10:10+roi_size-1, 10:10+roi_size-1);
    roi2 = gray_img(round(height/2)-round(roi_size/2):round(height/2)+round(roi_size/2)-1, ...
        round(width/2)-round(roi_size/2):round(width/2)+round(roi_size/2)-1);
    roi3 = gray_img(height-roi_size-9:height-10, width-roi_size-9:width-10);
end

% 可视化ROI区域
figure('Position', [100, 200, 1200, 400]);
subplot(1,3,1); imshow(roi1); title(sprintf('ROI1 - 左上角区域\n(%d x %d)', size(roi1,2), size(roi1,1)), 'FontSize', 10);
subplot(1,3,2); imshow(roi2); title(sprintf('ROI2 - 中心区域\n(%d x %d)', size(roi2,2), size(roi2,1)), 'FontSize', 10);
subplot(1,3,3); imshow(roi3); title(sprintf('ROI3 - 右下角区域\n(%d x %d)', size(roi3,2), size(roi3,1)), 'FontSize', 10);

% 定义GLCM计算参数（方向：0°、45°、90°、135°，距离d=1）
offsets = [0 1; -1 1; -1 0; -1 -1];
directions = {'0°', '45°', '90°', '135°'};
rois = {roi1, roi2, roi3};
roi_names = {'ROI1', 'ROI2', 'ROI3'};

% 初始化特征存储
features = struct();

% 计算每个ROI在不同方向的纹理特征
for roi_idx = 1:length(rois)
    fprintf('\n=== %s 纹理特征分析 ===\n', roi_names{roi_idx});
    for dir_idx = 1:size(offsets, 1)
        % 计算灰度共生矩阵
        glcm = graycomatrix(rois{roi_idx}, 'Offset', offsets(dir_idx, :), 'NumLevels', 32, 'Symmetric', true);
        % 提取4种核心纹理特征
        stats = graycoprops(glcm, {'Contrast', 'Correlation', 'Energy', 'Homogeneity'});
        % 存储特征
        features(roi_idx, dir_idx).contrast = stats.Contrast;
        features(roi_idx, dir_idx).correlation = stats.Correlation;
        features(roi_idx, dir_idx).energy = stats.Energy;
        features(roi_idx, dir_idx).homogeneity = stats.Homogeneity;
        % 输出特征值
        fprintf('方向 %s:\n', directions{dir_idx});
        fprintf('  对比度: %.4f\n  相关性: %.4f\n  能量: %.4f\n  同质性: %.4f\n', ...
            stats.Contrast, stats.Correlation, stats.Energy, stats.Homogeneity);
    end
end

% 可视化特征对比
figure('Position', [100, 300, 1400, 800], 'Name', '纹理特征对比');
feature_fields = {'contrast', 'correlation', 'energy', 'homogeneity'};
feature_titles = {'对比度 (Contrast)', '相关性 (Correlation)', '能量 (Energy)', '同质性 (Homogeneity)'};

for feat_idx = 1:length(feature_fields)
    subplot(2, 2, feat_idx);
    % 提取特征数据
    feat_data = zeros(length(rois), length(directions));
    for roi_idx = 1:length(rois)
        for dir_idx = 1:length(directions)
            feat_data(roi_idx, dir_idx) = features(roi_idx, dir_idx).(feature_fields{feat_idx});
        end
    end
    % 绘制柱状图
    bar(feat_data');
    xlabel('方向'); ylabel('特征值'); title(feature_titles{feat_idx}, 'FontSize', 12);
    legend(roi_names, 'Location', 'best');
    set(gca, 'XTickLabel', directions); grid on;
end
sgtitle('不同区域和方向的纹理特征比较', 'FontSize', 14, 'FontWeight', 'bold');

实验结果

纹理特征含义：
- 对比度：反映像素灰度差异（值越大，纹理越粗糙）；
- 相关性：反映相邻像素灰度相关性（值越接近 1，纹理越规则）；
- 能量：反映纹理均匀性（值越大，纹理越均匀）；
- 同质性：反映纹理平滑度（值越大，纹理越平滑）；
区域差异：不同 ROI 的纹理特征差异明显（如中心区域纹理丰富，对比度高；边缘区域纹理简单，能量高）。

三、实验总结与关键知识点

1. 核心技术梳理

特征类型	提取方法	关键函数	核心优势	适用场景
颜色特征	RGB/HSV 通道提取	`rgb2hsv`	简单直观，计算量小	颜色分类、图像检索
边缘特征	Prewitt/Canny/LOG 算子	`edge`	快速提取轮廓	目标边缘检测、缺陷识别
角点特征	Harris 角点检测	`corner`、`detectHarrisFeatures`	对旋转 / 缩放有一定鲁棒性	图像匹配、目标跟踪
SIFT 特征	尺度不变特征提取	`detectSIFTFeatures`	抗旋转、缩放、光照变化	图像拼接、目标识别
纹理特征	灰度共生矩阵（GLCM）	`graycomatrix`、`graycoprops`	描述纹理粗糙度、规则性	纹理分类、材质识别

2. 关键注意事项

工具包依赖：detectHarrisFeatures、detectSIFTFeatures需安装 Computer Vision Toolbox；
参数调节：角点检测的 QualityLevel、纹理特征的 ROI 大小，会直接影响提取结果；
数据预处理：边缘、角点、纹理特征提取前，建议对图像去噪（如高斯滤波），提升特征准确性；
特征选择：根据任务需求选择特征（如颜色区分选 RGB/HSV，尺度不变场景选 SIFT）。

3. 应用场景拓展

图像检索：结合颜色特征 + 纹理特征，实现相似图像查找；
目标识别：SIFT 特征 + 角点特征，实现复杂场景下的目标匹配；
纹理分类：GLCM 纹理特征，实现布料、木材等材质分类；
边缘检测：Canny 算子，实现医学图像边缘提取、工业零件缺陷检测。

通过本次实验，系统掌握了五大类图像特征的提取方法，理解了不同特征的核心优势与适用场景，为后续计算机视觉高级应用（如图像分类、目标检测）奠定了基础。