人工设计图像特征

在深度学习流行之前，研究人员通过对图像的理解，用数学方法手工提取一些描述图像的特征，再把这些特征交给传统的机器学习模型（比如SVM、KNN）做分类。

常见的人工设计方式有：

🔹 1. 基于像素的简单统计

• 颜色直方图：统计图像中不同颜色的分布情况。

• 灰度共生矩阵：描述纹理的粗糙度、方向性。

• 边缘检测（Sobel、Canny）：提取图像中的轮廓。

🔹 2. 基于局部特征的描述子

• SIFT (Scale-Invariant Feature Transform)：检测关键点（角点/边缘），并为每个关键点生成128维描述子，能抵抗缩放、旋转。

• SURF (Speeded Up Robust Features)：比SIFT更快的特征点检测方法。

• HOG (Histogram of Oriented Gradients)：统计局部区域中梯度方向分布，用于目标检测（HOG+SVM 经典用于行人检测）。

🔹 3. 基于形状或结构

• Harris 角点：找出图像中“变化大”的点（特征点）。

• Gabor滤波器：模仿人类视觉皮层的滤波特性，用于提取纹理。

• 边缘方向直方图：分析形状特征。

🔹 4. 再结合机器学习分类器

设计好特征后，把这些特征向量输入：

• SVM（支持向量机）

• KNN（最近邻）

• 随机森林

• 逻辑回归
  去做分类 / 检测 / 识别。