在深度學習興起之前（2012年AlexNet出現(xiàn)之前），計算機視覺領域的特征提取技術以傳統(tǒng)手工設計特征為主，其核心邏輯是“研究者基于專業(yè)經(jīng)驗，設計特定的特征描述子，從原始圖像中提取淺層視覺特征”，本質是“人工定義特征規(guī)則，機器執(zhí)行特征提取”。這類技術的核心優(yōu)勢是計算量小、部署門檻低，無需海量標注數(shù)據(jù)和強大的算力支撐，但其局限性也十分明顯——特征的表達能力有限，無法捕捉目標的深層語義信息，泛化能力和抗干擾能力較弱，難以適配復雜場景的應用需求。

傳統(tǒng)特征提取技術主要分為三大類：邊緣特征提取、紋理特征提取、角點與輪廓特征提取，每類技術都有其專屬的核心原理和經(jīng)典算法，以下詳細拆解各類技術的原理及應用場景。

邊緣是圖像中最基礎、最直觀的特征，是圖像中灰度值、色彩值發(fā)生劇烈變化的區(qū)域，也是區(qū)分不同目標、不同區(qū)域的重要標志——例如，人臉的五官輪廓、車輛的車身邊緣、物體與背景的分界線等，都屬于邊緣特征。邊緣特征提取的核心原理是：通過設計特定的卷積算子（濾波核），對原始圖像進行卷積運算，檢測圖像中灰度值的突變區(qū)域，從而提取出邊緣輪廓，剔除灰度值平穩(wěn)的冗余區(qū)域。

傳統(tǒng)邊緣特征提取的經(jīng)典算法主要有四種，其原理各有側重，適配不同的場景需求：

1. Sobel算子：核心原理是利用梯度計算檢測邊緣，通過設計水平和垂直兩個方向的3×3卷積算子，分別對原始圖像進行卷積運算，計算圖像在水平方向（x軸）和垂直方向（y軸）的灰度梯度值，梯度值越大，說明該區(qū)域的灰度變化越劇烈，大概率為邊緣區(qū)域；最后通過梯度幅值和梯度方向，確定邊緣的位置和走向。Sobel算子的優(yōu)勢是抗噪聲能力較強，能夠有效抑制圖像噪聲對邊緣提取的干擾，計算量小，速度快，廣泛應用于實時性要求較高的場景，如監(jiān)控圖像的邊緣檢測、工業(yè)零件的輪廓初步檢測等；局限性是提取的邊緣不夠細膩，存在一定的模糊性，難以檢測到細小花邊、細微缺陷等精細邊緣。

2. Canny算子：目前應用最廣泛的邊緣提取算法，其原理比Sobel算子更復雜，分為四個步驟：第一步，對原始圖像進行高斯濾波，利用高斯函數(shù)平滑圖像，剔除噪聲干擾，為后續(xù)邊緣檢測奠定基礎；第二步，計算圖像的梯度幅值和梯度方向，采用Sobel算子的梯度計算方法，確定邊緣的大致位置和走向；第三步，非極大值抑制，遍歷梯度圖像，剔除邊緣上的冗余像素，只保留梯度幅值最大的像素點，使邊緣變得細膩、清晰，解決Sobel算子邊緣模糊的問題；第四步，雙閾值檢測與邊緣連接，設置高閾值和低閾值，梯度幅值大于高閾值的區(qū)域確定為強邊緣，小于低閾值的區(qū)域剔除，介于兩者之間的區(qū)域若與強邊緣相連，則確定為弱邊緣并連接，最終形成完整的邊緣輪廓。Canny算子的優(yōu)勢是提取的邊緣細膩、準確，抗噪聲能力強，能夠檢測到精細邊緣，廣泛應用于醫(yī)療影像邊緣檢測（如病灶邊緣檢測）、精細零件質檢、人臉五官輪廓提取等場景；局限性是計算量比Sobel算子大，實時性略差。

3. Laplacian算子：核心原理是利用二階導數(shù)檢測邊緣，通過設計二階差分卷積算子，對原始圖像進行卷積運算，檢測圖像中灰度值的二階突變（即灰度值的拐點），從而確定邊緣位置。Laplacian算子的優(yōu)勢是對邊緣的定位精度高，能夠檢測到細微的邊緣變化，無需計算梯度方向，原理簡單；局限性是抗噪聲能力極弱，圖像中的噪聲會被放大，導致提取的邊緣出現(xiàn)大量冗余，甚至出現(xiàn)虛假邊緣，因此通常需要先對圖像進行高斯濾波，再使用Laplacian算子進行邊緣檢測，主要應用于對邊緣定位精度要求極高、噪聲干擾較小的場景，如醫(yī)學影像的細微病灶邊緣檢測、衛(wèi)星圖像的細節(jié)邊緣提取等。

4. Prewitt算子：與Sobel算子原理類似，同樣采用梯度計算檢測邊緣，設計水平和垂直兩個方向的3×3卷積算子，通過卷積運算計算圖像的梯度幅值和梯度方向，確定邊緣位置。Prewitt算子的優(yōu)勢是計算量小，速度快，對灰度漸變的邊緣檢測效果較好；局限性是抗噪聲能力比Sobel算子弱，提取的邊緣不夠細膩，主要應用于噪聲干擾較小、對實時性要求較高、對邊緣細膩度要求不高的場景，如普通圖像的輪廓提取、簡單場景的目標分割等。