📚 课程目录第4章特征提取与分类

4. 特征提取与分类

好，我们进入第四章。前面几章我们讲了怎么把图像处理好，把缺陷区域分割出来。但分割出来的区域只是一堆像素点，怎么让机器知道它到底是划痕、脏污还是气泡？这就靠特征提取和分类了。

说白了，特征提取就是把图像信息转化成数字，分类器根据这些数字做判断。我刚开始做视觉项目时，总觉得这步是纯数学，后来发现，选对特征比调分类器参数重要得多。

  核心思路： 分割得到区域 → 提取数值特征 → 训练分类器 → 自动判定缺陷类型

4.1 Blob分析：先搞清楚区域是什么

Blob分析，其实就是对分割后的连通区域做基础测量。每个连通区域就是一个Blob，我们要知道它的大小、形状、位置。

我个人习惯把Blob分析分成三步：

连通域标记：给每个独立区域编号
基础属性提取：面积、质心、外接矩形
筛选过滤：去掉太小或太大的噪声区域

经验之谈： 我在做金属表面检测时，经常先按面积过滤掉灰尘点（面积<50像素），再分析剩下的区域。这一步能减少90%的误报。

4.2 几何特征：形状就是信息

几何特征是最直观、最稳定的特征。你想想看，划痕通常是细长的，气泡是圆形的，脏污是不规则形状。这些形状差异，用几个数值就能区分。

特征名称	计算公式	典型应用场景
面积	区域内像素总数	区分大缺陷与小噪声
周长	区域边界像素数	判断缺陷边缘复杂度
圆度	4π×面积 / 周长²	区分圆形气泡与不规则划痕
长宽比	外接矩形长边/短边	识别细长裂纹
矩形度	面积 / 外接矩形面积	判断缺陷是否接近矩形

这里我要特别说一下圆度。圆度值越接近1，说明区域越圆。我曾经在检测锂电池极片时，就用圆度区分了电解液气泡（圆度>0.85）和极片划痕（圆度<0.5），准确率直接到了98%。

注意： 周长对边界噪声非常敏感。如果图像边缘有锯齿，算出来的周长会偏大，圆度就会偏小。建议先做一次形态学闭运算再提取几何特征。

4.3 纹理特征：看表面，不只是看轮廓

有些缺陷形状差不多，但表面纹理不同。比如布料上的油污和磨损，形状可能都是不规则的，但油污区域纹理更均匀，磨损区域纹理更粗糙。这时候就需要纹理特征了。

4.3.1 LBP（局部二值模式）

LBP的原理很简单：比较中心像素和周围像素的大小关系。比中心大记1，比中心小记0，然后组成一个二进制数。这个数就代表了局部纹理模式。

我记得有个项目检测木材表面缺陷，用LBP直方图做特征，配合SVM分类器，对活节、死节、虫眼的分类准确率达到了95%以上。LBP对光照变化不敏感，这是它最大的优势。

// LBP特征提取核心步骤（伪代码）
for each pixel in image:
    center = pixel value
    binary_pattern = 0
    for i in 0 to 7:
        neighbor = get_neighbor(pixel, radius, i)
        if neighbor >= center:
            set_bit(binary_pattern, i)
    lbp_image[pixel] = binary_pattern

// 统计直方图作为特征向量
histogram = compute_histogram(lbp_image, bins=256)

4.3.2 GLCM（灰度共生矩阵）

GLCM统计的是图像中特定灰度对出现的频率。它能反映纹理的粗糙度、对比度、方向性等特性。

常用的GLCM特征有：

对比度：纹理的清晰程度，值越大纹理越深
相关性：纹理的方向性，值越大方向性越强
能量：纹理的均匀程度，值越大纹理越规则
同质性：纹理的局部变化程度

选哪个？ 如果缺陷区域小（<50×50像素），LBP更稳定；如果区域大且纹理有方向性（如织物、木材），GLCM效果更好。我一般两个都算，然后用特征选择算法挑出最有效的几个。

4.4 基于传统机器学习的分类器

特征提取完了，接下来就是分类。传统机器学习分类器在工业场景中依然很能打，尤其是样本量不大的时候。

4.4.1 SVM（支持向量机）

SVM的核心思想是找一个超平面，把不同类别的样本分开，并且让这个超平面离最近的样本点尽可能远。

为什么SVM在工业视觉中这么受欢迎？

小样本学习能力强：几十个样本就能训练出可用的模型
泛化能力好：不容易过拟合
核函数灵活：线性不可分时，用RBF核映射到高维空间

我曾经用SVM做手机屏幕划痕检测，只用了200个正样本和200个负样本，RBF核+SVM，测试准确率就达到了99.2%。

// SVM训练示例（Python风格伪代码）
from sklearn import svm

// 特征矩阵：每行是一个样本的特征向量
X_train = [[area, roundness, lbp_hist[0], ...], ...]
y_train = [0, 1, 0, 1, ...]  // 0:良品, 1:缺陷

// 创建SVM分类器（RBF核）
clf = svm.SVC(kernel='rbf', C=1.0, gamma='scale')

// 训练
clf.fit(X_train, y_train)

// 预测
result = clf.predict(X_test)

4.4.2 KNN（K近邻）

KNN更简单：新样本来了，找它最近的K个邻居，看这些邻居中哪类最多，新样本就属于哪类。

KNN的优点和缺点都很明显：

对比项	SVM	KNN
训练速度	中等（需要求解优化问题）	极快（只需存储样本）
预测速度	快	慢（需要计算所有距离）
样本量要求	小样本即可	需要较多样本覆盖空间
对特征尺度敏感	是（需要归一化）	是（必须归一化）
可解释性	中等（支持向量可解释）	好（直接看邻居）

避坑指南： 我曾经在项目里直接用KNN没做特征归一化，结果面积特征（数值范围0-10000）完全主导了距离计算，纹理特征（数值范围0-255）基本没起作用。后来加了标准化，准确率从60%直接跳到92%。特征归一化，千万别省。

4.5 特征选择：别把所有特征都扔进去

特征不是越多越好。冗余特征会降低分类器性能，还会增加计算时间。

我常用的特征选择方法：

方差过滤：去掉方差接近0的特征（所有样本都一样，没区分度）
相关性分析：去掉高度相关的特征（比如面积和周长通常强相关，留一个就行）
递归特征消除：用模型训练，每次去掉最不重要的特征

  我的经验： 对于大多数工业缺陷检测场景，5-10个精心挑选的特征就足够了。我见过有人提取了50多个特征，结果分类准确率还不如只用面积+圆度+LBP三个特征。少即是多，在特征工程里特别适用。

4.6 实战要点总结

好了，这一章的内容就这些。最后我整理几个关键点，你在实际项目中可以对照着用：

先几何，后纹理：能用形状区分的，就别上纹理，计算量小很多
特征归一化是必须的：所有特征统一到[0,1]或[-1,1]区间
SVM优先，KNN备选：样本少用SVM，样本多且需要快速迭代用KNN
验证集不能省：至少留20%的数据做验证，别在训练集上自嗨

特征提取和分类是视觉检测的决策核心。选对特征，用对分类器，你的检测系统才能真正从「看到」变成「看懂」。