3. 特征提取方法：纹理特征、形状特征、灰度共生矩阵、LBP算子

特征提取，说白了就是把图像里的“缺陷信号”翻译成计算机能理解的数字语言。我做了这么多年缺陷检测，最深的体会就是：特征选对了，模型就成功了一半。选错了，再好的分类器也白搭。

这一章，我们重点聊四种最常用的特征提取方法。它们各有各的脾气，也各有各的用武之地。

3.1 纹理特征：缺陷的“皮肤”密码

纹理是什么？就是材料表面的“皮肤”。光滑的、粗糙的、有规律的、杂乱的——这些都属于纹理信息。很多缺陷，比如划痕、裂纹、腐蚀坑，都会改变局部纹理。

我个人习惯把纹理特征分成两类：

• 统计纹理：基于像素灰度值的分布规律，比如均值、方差、熵
• 结构纹理：基于纹理基元的排列规则，比如周期性、方向性

举个例子。我在检测金属拉丝表面时发现，正常区域的纹理方向很一致，一旦出现划痕，纹理方向就乱了。这时候用方向性特征，一抓一个准。

3.2 形状特征：缺陷的“骨架”信息

形状特征描述的是缺陷的几何属性。比如：

• 面积：缺陷像素总数
• 周长：缺陷边界长度
• 圆形度：4π×面积/周长²，越接近1越像圆
• 长宽比：最小外接矩形的长宽比
• 凸包面积比：缺陷面积/凸包面积

我记得有一次做PCB焊点检测。气泡缺陷和正常焊点，纹理上差别不大，但形状上——气泡是圆的，正常焊点是不规则的。用圆形度特征，一下就分开了。

3.3 灰度共生矩阵（GLCM）：纹理的“统计词典”

灰度共生矩阵，英文叫GLCM，是纹理分析里最经典的方法之一。它的核心思想很简单：统计图像中两个像素在某个方向和距离上同时出现的概率。

GLCM本身不是特征，而是个矩阵。我们需要从矩阵里再提取统计量，常用的有：

• 对比度：反映纹理的清晰度和沟纹深浅
• 相关性：反映纹理的方向性
• 能量：反映纹理的均匀性和粗细
• 同质性：反映纹理的局部变化程度

我建议你记住一个经验：对比度+能量这对组合，能解决大部分纹理缺陷问题。对比度抓变化，能量抓均匀度，互补性很好。

3.4 LBP算子：纹理的“局部指纹”

LBP，全称Local Binary Pattern，局部二值模式。它是我个人非常喜欢的一种纹理特征。为什么？因为它简单、快速、对光照变化不敏感。

LBP的原理很直观：

1. 取一个中心像素，和它周围的邻居像素比较
2. 邻居比中心大，记1；比中心小，记0
3. 把这些0和1按顺序排成一串二进制数
4. 转成十进制，就是这个像素的LBP值

举个例子。一个3×3的窗口，中心像素值是128，周围8个像素分别是[130, 125, 132, 120, 135, 118, 140, 122]。比较后得到[1, 0, 1, 0, 1, 0, 1, 0]，二进制10101010，十进制170。这个170就是中心像素的LBP值。

把所有像素的LBP值统计成直方图，就是整幅图像的LBP特征向量。

3.5 四种方法对比与选择

说了这么多，到底该用哪个？我整理了一张对比表，你一看就明白：

我的建议是：先用LBP快速验证可行性，再用GLCM做精细分析。如果缺陷有明显的几何特征，别忘了加上形状特征。纹理特征作为补充，锦上添花。

3.6 特征提取流程总览

下面这张图，是我自己总结的特征提取流程。每次做项目，我都会先走一遍这个流程，确保不遗漏关键步骤。

嗯，这里要注意：特征不是越多越好。我见过有人一口气提取了50多个特征，结果模型反而过拟合了。我的经验是，先选5-8个最有区分力的特征，效果不够再加。

3.7 实战避坑指南

最后，分享几个我踩过的坑：

• 特征尺度不一致：面积可能是几千，圆形度是0.几。不归一化的话，大数值特征会主导模型。我建议用Z-score或Min-Max归一化。
• 忽略特征相关性：GLCM的对比度和能量，其实高度负相关。两个都放进去，等于重复信息。用相关系数矩阵检查一下，去掉冗余特征。
• 特征提取参数固定：不同缺陷，最优的GLCM距离、LBP半径可能不同。我曾经用固定参数跑了一整批数据，结果效果很差。后来改成多尺度提取，问题就解决了。