在深度學(xué)習(xí)興起之前（2012年AlexNet出現(xiàn)之前），計(jì)算機(jī)視覺(jué)領(lǐng)域的特征提取技術(shù)以傳統(tǒng)手工設(shè)計(jì)特征為主，其核心邏輯是“研究者基于專業(yè)經(jīng)驗(yàn)，設(shè)計(jì)特定的特征描述子，從原始圖像中提取淺層視覺(jué)特征”，本質(zhì)是“人工定義特征規(guī)則，機(jī)器執(zhí)行特征提取”。這類技術(shù)的核心優(yōu)勢(shì)是計(jì)算量小、部署門檻低，無(wú)需海量標(biāo)注數(shù)據(jù)和強(qiáng)大的算力支撐，但其局限性也十分明顯——特征的表達(dá)能力有限，無(wú)法捕捉目標(biāo)的深層語(yǔ)義信息，泛化能力和抗干擾能力較弱，難以適配復(fù)雜場(chǎng)景的應(yīng)用需求。

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

邊緣是圖像中最基礎(chǔ)、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(biāo)、不同區(qū)域的重要標(biāo)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(guò)設(shè)計(jì)特定的卷積算子（濾波核），對(duì)原始圖像進(jìn)行卷積運(yùn)算，檢測(cè)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(cè)重，適配不同的場(chǎng)景需求：

1. Sobel算子：核心原理是利用梯度計(jì)算檢測(cè)邊緣，通過(guò)設(shè)計(jì)水平和垂直兩個(gè)方向的3×3卷積算子，分別對(duì)原始圖像進(jìn)行卷積運(yùn)算，計(jì)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(shuō)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(guò)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(shì)是抗噪聲能力較強(qiáng)，能夠有效抑制圖像噪聲對(duì)邊緣提取的干擾，計(jì)算量小，速度快，廣泛應(yīng)用于實(shí)時(shí)性要求較高的場(chǎng)景，如監(jiān)控圖像的邊緣檢測(cè)、工業(yè)零件的輪廓初步檢測(cè)等；局限性是提取的邊緣不夠細(xì)膩，存在一定的模糊性，難以檢測(cè)到細(xì)小花邊、細(xì)微缺陷等精細(xì)邊緣。

2. Canny算子：目前應(yīng)用最廣泛的邊緣提取算法，其原理比Sobel算子更復(fù)雜，分為四個(gè)步驟：第一步，對(duì)原始圖像進(jìn)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(cè)奠定基礎(chǔ)；第二步，計(jì)算圖像的梯度幅值和梯度方向，采用Sobel算子的梯度計(jì)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(diǎn)，使邊緣變得細(xì)膩、清晰，解決Sobel算子邊緣模糊的問(wèn)題；第四步，雙閾值檢測(cè)與邊緣連接，設(shè)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(qiáng)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(qiáng)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(shì)是提取的邊緣細(xì)膩、準(zhǔn)確，抗噪聲能力強(qiáng)，能夠檢測(cè)到精細(xì)邊緣，廣泛應(yīng)用于醫(yī)療影像邊緣檢測(cè)（如病灶邊緣檢測(cè)）、精細(xì)零件質(zhì)檢、人臉五官輪廓提取等場(chǎng)景；局限性是計(jì)算量比Sobel算子大，實(shí)時(shí)性略差。

3. Laplacian算子：核心原理是利用二階導(dǎo)數(shù)檢測(cè)邊緣，通過(guò)設(shè)計(jì)二階差分卷積算子，對(duì)原始圖像進(jìn)行卷積運(yùn)算，檢測(cè)圖像中灰度值的二階突變（即灰度值的拐點(diǎn)），從而確定邊緣位置。Laplacian算子的優(yōu)勢(shì)是對(duì)邊緣的定位精度高，能夠檢測(cè)到細(xì)微的邊緣變化，無(wú)需計(jì)算梯度方向，原理簡(jiǎn)單；局限性是抗噪聲能力極弱，圖像中的噪聲會(huì)被放大，導(dǎo)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(duì)圖像進(jìn)行高斯濾波，再使用Laplacian算子進(jìn)行邊緣檢測(cè)，主要應(yīng)用于對(duì)邊緣定位精度要求極高、噪聲干擾較小的場(chǎng)景，如醫(yī)學(xué)影像的細(xì)微病灶邊緣檢測(cè)、衛(wèi)星圖像的細(xì)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(jì)算檢測(cè)邊緣，設(shè)計(jì)水平和垂直兩個(gè)方向的3×3卷積算子，通過(guò)卷積運(yùn)算計(jì)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(shì)是計(jì)算量小，速度快，對(duì)灰度漸變的邊緣檢測(cè)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(xì)膩，主要應(yīng)用于噪聲干擾較小、對(duì)實(shí)時(shí)性要求較高、對(duì)邊緣細(xì)膩度要求不高的場(chǎng)景，如普通圖像的輪廓提取、簡(jiǎn)單場(chǎng)景的目標(biāo)分割等。