📚 课程目录第4章特征工程入门

4、特征工程入门：学习从插画图像中提取颜色、构图、风格等特征，以及数值型特征的标准化与编码

插画数据与自然照片的最大区别在于其“人为设计性”：颜色经过主观调配、构图遵循视觉引导、风格带有明确的流派印记。当我们试图用机器学习模型预测插画的点赞量、风格分类或商业价值时，原始像素并不能直接作为有效输入——它们维度高、噪声大、且包含大量与预测目标无关的信息。特征工程正是解决这一问题的桥梁：它把一幅幅视觉作品转化为结构化、可计算、可比较的数值向量。本章将围绕插画图像的三类核心特征（颜色、构图、风格）展开，并深入讲解数值型特征的标准化与类别特征的编码方法，为后续模型选择与训练奠定数据基础。

4.1 颜色特征提取：从像素到可计算指标

颜色是插画最直观的视觉语言。与自然照片不同，插画的颜色往往经过作者刻意调配，饱和度更高、色相更集中。提取颜色特征的核心思路是将RGB像素空间转换到更符合人类感知的色彩空间，然后统计其分布规律。

核心原理：HSV色彩空间与直方图统计

RGB空间三个通道高度相关，且对光照变化敏感。HSV（色相Hue、饱和度Saturation、明度Value）将颜色分解为“是什么颜色”“颜色多纯”“有多亮”三个独立维度，更贴近插画师的调色逻辑。对于插画数据，我们通常：

色相H：量化到8~16个区间，统计每个区间的像素占比，反映主色调分布（如暖色占比、冷色占比）。
饱和度S：计算均值与方差，高饱和插画通常更“鲜艳活泼”，低饱和则偏向“柔和复古”。
明度V：计算均值与直方图偏度，判断整体是明亮还是暗调。

操作流程：OpenCV实现颜色特征提取

import cv2
import numpy as np

def extract_color_features(image_path):
    img = cv2.imread(image_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
    
    # 1. 色相直方图（16个bin）
    hist_h = cv2.calcHist([img_hsv], [0], None, [16], [0, 180])
    hist_h = hist_h / hist_h.sum()  # 归一化
    
    # 2. 饱和度统计
    sat_mean = img_hsv[:, :, 1].mean() / 255.0
    sat_std = img_hsv[:, :, 1].std() / 255.0
    
    # 3. 明度统计
    val_mean = img_hsv[:, :, 2].mean() / 255.0
    val_std = img_hsv[:, :, 2].std() / 255.0
    
    # 4. 主色调占比（取直方图最大的3个bin）
    top3_idx = np.argsort(hist_h.flatten())[-3:][::-1]
    top3_ratio = hist_h.flatten()[top3_idx]
    
    return np.concatenate([hist_h.flatten(), 
                          [sat_mean, sat_std, val_mean, val_std],
                          top3_ratio])

实战场景：预测插画“治愈系”标签

假设我们要构建一个模型，预测一幅插画是否属于“治愈系”风格。通过分析1000张已标注的插画样本，我们发现：治愈系插画的饱和度均值集中在0.3~0.5之间，明度均值在0.7~0.85之间，且色相直方图中暖色（红、橙、黄）占比超过60%。这些颜色特征可以直接作为逻辑回归模型的输入，AUC可达0.82。

经验提醒：颜色特征提取时，务必先统一图像尺寸（如224×224），避免不同分辨率导致直方图分布偏差。同时，对于透明背景的PNG插画，需要先填充白色或检查Alpha通道，否则透明区域的像素值（通常为0）会污染统计结果。

4.2 构图特征提取：量化视觉引导与平衡感

构图决定了观者的视线流动路径。插画师常使用三分法、对称、对角线引导等技巧来组织画面元素。构图特征的目标是将这些主观美学原则转化为可计算的几何指标。

核心原理：边缘检测与区域分割

构图特征提取通常基于以下步骤：首先使用Canny边缘检测或Sobel算子获取图像的结构信息，然后分析边缘的分布规律。常用的构图特征包括：

三分线交点距离：计算画面主体（显著性区域中心）与四个三分线交点的欧氏距离，距离越小说明越符合三分法构图。
对称性指标：将图像左右翻转后计算像素差异的均值，差异越小对称性越高。
对角线引导强度：检测边缘方向直方图中45°和135°方向的能量占比。
留白比例：通过颜色方差或边缘密度识别“空白区域”占比。

操作流程：显著性检测与构图评分

def extract_composition_features(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 1. 显著性检测（使用简单的中心-周围差分）
    blur = cv2.GaussianBlur(gray, (15, 15), 0)
    saliency = cv2.absdiff(gray, blur)
    _, saliency_map = cv2.threshold(saliency, 30, 255, cv2.THRESH_BINARY)
    
    # 2. 计算显著性区域中心
    moments = cv2.moments(saliency_map)
    if moments["m00"] > 0:
        cx = moments["m10"] / moments["m00"]
        cy = moments["m01"] / moments["m00"]
    else:
        cx, cy = gray.shape[1]/2, gray.shape[0]/2
    
    h, w = gray.shape
    # 3. 三分线交点坐标
    third_points = [(w/3, h/3), (2*w/3, h/3), (w/3, 2*h/3), (2*w/3, 2*h/3)]
    min_dist = min([np.sqrt((cx-px)**2 + (cy-py)**2) for px, py in third_points])
    norm_dist = min_dist / np.sqrt(w**2 + h**2)  # 归一化
    
    # 4. 对称性
    flipped = cv2.flip(gray, 1)
    sym_diff = np.mean(np.abs(gray.astype(float) - flipped.astype(float))) / 255.0
    
    return np.array([norm_dist, sym_diff])

案例拆解：构图特征对“插画吸引力”预测的提升

某插画平台希望预测新上传作品的“收藏率”。初始模型仅使用颜色特征，RMSE为0.15。加入构图特征后，RMSE降至0.11。具体分析发现：收藏率高的插画通常主体偏离画面中心（三分线距离较小），且对称性指标在0.2~0.4之间（不完全对称但有一定平衡感）。完全对称（指标接近0）的插画反而收藏率偏低，因为显得呆板。

风险提示：构图特征对图像裁剪非常敏感。同一幅插画，如果平台自动裁剪了边缘，三分线距离和留白比例会发生显著变化。在构建特征时，建议记录原始画布尺寸，并在特征中增加“宽高比”作为辅助维度。

4.3 风格特征提取：从纹理到笔触的数字化

风格是插画最抽象也最具辨识度的属性。水彩的晕染、油画的厚重、赛博朋克的霓虹感——这些风格差异在像素层面表现为纹理统计特性的不同。风格特征提取的核心思想是使用局部二值模式（LBP）、Gabor滤波器或灰度共生矩阵（GLCM）来捕捉纹理规律。

核心原理：纹理统计与频域分析

方法	原理	插画风格适用场景	输出维度
LBP（局部二值模式）	比较中心像素与邻域像素的灰度关系，生成二进制编码	区分“平涂”与“厚涂”风格	59维（均匀模式）
Gabor滤波器	不同方向和尺度的正弦波卷积，捕捉边缘响应	识别“线条感强”的日漫风格	40维（5尺度×8方向）
GLCM（灰度共生矩阵）	统计特定距离和方向上像素对出现的频率	区分“噪点颗粒感”与“光滑渐变”	24维（对比度、能量、相关性等）

操作流程：LBP特征提取示例

from skimage import feature, color
import numpy as np

def extract_style_features(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # LBP特征（均匀模式，半径1，8邻域）
    lbp = feature.local_binary_pattern(gray, P=8, R=1, method='uniform')
    hist_lbp, _ = np.histogram(lbp.ravel(), bins=np.arange(0, 60), density=True)
    
    # Gabor特征（简化版：仅计算均值和方差）
    from scipy import ndimage
    gabor_responses = []
    for theta in [0, np.pi/4, np.pi/2, 3*np.pi/4]:
        for freq in [0.1, 0.3, 0.5]:
            real, imag = feature.gabor_filter(gray, frequency=freq, theta=theta)
            gabor_responses.append(real.mean())
            gabor_responses.append(real.std())
    
    return np.concatenate([hist_lbp, gabor_responses])

实战场景：插画风格多分类

我们使用上述风格特征训练一个随机森林分类器，区分“水彩”“厚涂油画”“赛博朋克”“极简线条”四类风格。数据集共2000张图，每类500张。结果显示：LBP特征对“极简线条”识别最准（F1=0.91），因为线条画的纹理均匀性极高；Gabor特征对“赛博朋克”识别较好（F1=0.87），因为其包含大量规则排列的霓虹灯线条。整体分类准确率达0.84，证明手工风格特征在风格识别任务中依然有较强竞争力。

  要点总结：风格特征提取的维度通常较高（100+维），且特征之间存在相关性。建议在送入模型前使用PCA或SelectKBest进行特征选择，保留信息量最大的前50~80个维度，既能提升模型训练速度，也能降低过拟合风险。

4.4 数值型特征的标准化与类别特征编码

提取完颜色、构图、风格特征后，我们面临两类数据：连续数值（如饱和度均值0.45、三分线距离0.12）和离散类别（如风格标签“水彩”、画布方向“横向”）。这两类数据需要分别处理才能被大多数机器学习模型有效使用。

核心原理：为什么需要标准化

不同特征的量纲差异巨大：明度均值在0~1之间，而Gabor响应可能达到数百。对于基于距离的模型（KNN、SVM）和梯度下降优化的模型（神经网络、逻辑回归），量纲差异会导致：

数值范围大的特征在距离计算中占据主导地位，小范围特征被忽略。
梯度下降收敛速度变慢，甚至震荡不收敛。

标准化方法对比

方法	公式	适用场景	注意事项
Z-Score标准化	(x - μ) / σ	特征近似正态分布，模型对异常值不敏感	需先计算训练集的μ和σ，测试集沿用
Min-Max归一化	(x - min) / (max - min)	特征有明确边界（如颜色占比0~1）	对异常值敏感，新数据可能超出范围
RobustScaler	(x - 中位数) / IQR	特征存在离群点（如极端饱和度值）	使用中位数和四分位距，抗异常值

类别特征编码策略

插画数据中的类别特征包括：风格标签（水彩/油画/赛博朋克）、画布比例（横/竖/方）、平台分类（插画/漫画/概念设计）。编码方法选择取决于类别数量与是否有序：

One-Hot编码：适用于无序类别，如风格标签。每个类别变为一个0/1维度。缺点：类别多时维度爆炸。
序数编码：适用于有序类别，如“草图→线稿→上色→精修”的完成度。映射为0,1,2,3。
目标编码（Target Encoding）：用类别对应的目标变量均值替代类别本身。适用于高基数类别（如画师ID），但需注意过拟合，需配合交叉验证。

案例拆解：标准化与编码对模型性能的影响

我们对比了三种处理策略在“插画收藏率预测”任务上的表现（使用XGBoost模型，5折交叉验证）：

处理策略	RMSE	训练时间（秒）	备注
不处理（原始特征）	0.182	3.2	Gabor特征主导，颜色特征被忽略
Z-Score标准化 + One-Hot	0.143	4.1	所有特征贡献均衡，模型收敛快
RobustScaler + 目标编码	0.138	5.8	对异常值鲁棒，目标编码捕捉了画师风格信息

常见误区：在标准化时，初学者常犯的错误是使用全量数据（包括测试集）计算μ和σ。这会导致数据泄露——测试集的信息在训练阶段就被模型“看到”，使得评估结果虚高。正确做法是：先拆分训练集和测试集，仅在训练集上计算标准化参数，然后应用到测试集。

4.5 特征工程完整流程与实战复盘

综合以上内容，一个完整的插画特征工程流程应包含以下步骤：

数据清洗：去除损坏图片、统一格式、处理透明通道。
特征提取：分别计算颜色（HSV直方图+统计量）、构图（三分线距离+对称性）、风格（LBP+Gabor）特征。
特征拼接：将三类特征合并为一个向量，记录特征名称列表。
数据划分：按70/15/15拆分训练、验证、测试集。
标准化：在训练集上计算Z-Score参数，应用到验证和测试集。
类别编码：对风格标签做One-Hot，对画布比例做序数编码。
特征选择：使用随机森林特征重要性或互信息法，筛选Top-K特征。
验证：在验证集上评估特征质量，必要时迭代调整。

实战案例：从零构建插画风格分类器

背景与约束：某艺术教育平台需要自动为上传的学员作品打上风格标签（水彩/素描/厚涂/赛博朋克），用于课程推荐。平台有约5000张已标注作品，每张图分辨率不一（500×500到2000×2000），且部分作品带有水印。

初始现象：直接使用ResNet50预训练模型提取特征并训练分类器，准确率仅0.71，且训练时间长达40分钟。分析发现：预训练模型在ImageNet上学习到的特征偏向自然物体，对插画的平面化、高饱和风格不敏感。

关键操作：

先去除水印区域（通过检测角落的固定Logo位置并遮盖）。
统一缩放到256×256，保持宽高比不变，不足部分填充白色。
提取手工特征（颜色+构图+风格共180维），使用RobustScaler标准化。
使用随机森林（500棵树）训练，5折交叉验证。

结果对比：手工特征方案准确率0.83，训练时间仅8秒。进一步分析发现，“赛博朋克”类别的召回率偏低（0.72），原因是该类插画颜色风格差异大（有霓虹粉、电光蓝等不同变体）。通过增加Gabor滤波器的方向数量（从4个增加到8个），召回率提升至0.79。

风险与代价：手工特征方案在“素描”和“水彩”之间容易混淆（混淆矩阵中错误率12%），因为两者纹理都较柔和。后续考虑引入小型的CNN微调模型（如EfficientNet-B0）作为补充特征，但会增加训练时间至5分钟。

复盘经验：特征工程不是一次性的工作。当模型性能达到瓶颈时，应回到特征层面分析错误案例，针对性地增加或调整特征。同时，特征工程与模型选择是耦合的——线性模型需要更精细的特征缩放，而树模型对特征尺度不敏感，但需要更丰富的特征组合。

  本章核心要点：
  颜色特征：HSV直方图+饱和度/明度统计，适合捕捉整体色调氛围。
构图特征：三分线距离+对称性+留白比例，量化视觉引导。
风格特征：LBP+Gabor+GLCM，从纹理角度区分不同绘画流派。
标准化：Z-Score适合正态分布数据，RobustScaler适合含异常值数据。
编码：无序类别用One-Hot，有序类别用序数编码，高基数类别用目标编码。
流程：清洗→提取→拼接→划分→标准化→编码→选择→验证，每一步都需记录参数。

特征工程的质量直接决定了模型性能的上限。在插画数据场景中，手工特征虽然不如深度学习特征“自动”，但其可解释性强、计算成本低、对小数据集友好。建议在实际项目中，先构建一套完整的手工特征基线模型，再逐步引入深度学习特征进行融合，这样既能快速验证业务可行性，又能为后续优化提供清晰的对比基准。