第四章：图像特征提取——点、线、边缘的实战选择

各位工程师朋友，大家好。今天我们来聊聊视觉伺服里最基础、也最让人头疼的一环——特征提取。

说实话，我做了这么多年视觉伺服，见过太多系统因为特征选错而崩溃的例子。你想想看，特征就是视觉系统的“眼睛”，眼睛都看不清，伺服精度能好到哪去？

这一章，我把自己踩过的坑、积累的经验都摊开来聊。咱们从点特征、线特征到边缘特征，一个一个过。

核心观点：没有最好的特征，只有最合适的特征。选特征前，先问自己三个问题——场景纹理丰富吗？光照变化大吗？实时性要求多高？

图像特征提取知识体系 特征提取三大类 点特征 Harris SIFT SURF 线特征 LSD 边缘特征 Canny 适用：纹理丰富场景 目标跟踪、位姿估计 适用：人造结构场景 工件定位、边缘对齐 适用：轮廓清晰场景 物体分割、形状匹配

4.1 点特征：视觉伺服的老牌主力

点特征，说白了就是图像里那些“与众不同”的像素点。角点、斑点、交叉点，都算。我最早做视觉伺服时，用的就是Harris角点，那时候深度学习还没火起来呢。

4.1.1 Harris角点检测

Harris的原理其实不复杂——它用一个窗口在图像上滑动，看各个方向上的灰度变化。如果往哪个方向移动，灰度都剧烈变化，那就是角点。

我的经验：Harris对旋转和光照变化比较鲁棒，但尺度变化一上来就拉胯。如果你要跟踪的目标忽远忽近，Harris会丢点丢得你怀疑人生。

// C++ OpenCV 示例
cv::Mat src = cv::imread("scene.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst, dst_norm;
dst = cv::Mat::zeros(src.size(), CV_32FC1);

// Harris角点检测
cv::cornerHarris(src, dst, 2, 3, 0.04);

// 归一化
cv::normalize(dst, dst_norm, 0, 255, cv::NORM_MINMAX, CV_8UC1);

// 提取角点
std::vector<cv::Point2f> corners;
for (int i = 0; i < dst_norm.rows; i++) {
    for (int j = 0; j < dst_norm.cols; j++) {
        if ((int)dst_norm.at<uchar>(i, j) > 100) {
            corners.push_back(cv::Point2f(j, i));
        }
    }
}

避坑指南：我曾经在一个项目中直接用默认参数跑Harris，结果在弱纹理区域提取了上千个“假角点”。后来我加了非极大值抑制，才把有效点控制在50个以内。记住——不是点越多越好，质量才是关键。

4.1.2 SIFT：尺度不变的金标准

SIFT是我个人最偏爱的特征之一。它解决了Harris最头疼的尺度问题。你想想看，一个角点在远处看是角点，走近了可能就变成一条边了。SIFT通过构建尺度空间，在不同尺度下找极值点，这就稳了。

不过SIFT有个硬伤——慢。我记得2015年做一个实时抓取项目，SIFT单帧处理要200多毫秒，根本跑不动。后来我换了SURF，才勉强压到50毫秒以内。

// SIFT 特征提取
cv::Ptr<cv::SIFT> sift = cv::SIFT::create(500); // 最多500个关键点
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;

sift->detectAndCompute(src, cv::noArray(), keypoints, descriptors);

// 绘制关键点
cv::Mat img_keypoints;
cv::drawKeypoints(src, keypoints, img_keypoints, cv::Scalar::all(-1));
特征类型 尺度不变 旋转不变 光照鲁棒 实时性
Harris ✗ ✓ ✓ 高
SIFT ✓ ✓ ✓ 低
SURF ✓ ✓ ✓ 中

4.1.3 SURF：SIFT的加速版

SURF说白了就是SIFT的“简化版”。它用积分图加速了Hessian矩阵的计算，特征描述子也从128维降到了64维。效果嘛，比SIFT差一丢丢，但速度快了3-4倍。

嗯，这里要注意——SURF是有专利的，商用项目要小心。我有个朋友的公司就因为用了SURF没买授权，被找上门了。现在开源社区更推荐用ORB或者AKAZE，免费且够用。

4.2 线特征：结构场景的利器

点特征在纹理丰富的场景里很香，但遇到人造物体——比如电路板、机械零件——就抓瞎了。这时候线特征就派上用场了。

4.2.1 LSD：线段检测的扛把子

LSD（Line Segment Detector）是我用过最稳的线段检测算法。它不像Hough变换那样需要调参调到头秃，LSD几乎不用调参数，直接出结果。

它的原理很有意思——先把图像分割成一个个“线支持区域”，然后在这些区域里拟合直线段。说白了就是“先找方向一致的像素块，再画直线”。

// LSD 线段检测
cv::Ptr<cv::LineSegmentDetector> lsd = cv::createLineSegmentDetector();
std::vector<cv::Vec4f> lines;

lsd->detect(src, lines);

// 绘制线段
cv::Mat img_lines = cv::Mat::zeros(src.size(), CV_8UC3);
lsd->drawSegments(img_lines, lines);

实战建议：LSD在背景干净、对比度高的场景下效果极好。但如果你要检测的线段被阴影遮挡了一部分，LSD可能会把它断成两截。我一般会加一个线段合并的后处理，把角度相近、端点距离近的线段连起来。

4.3 边缘特征：轮廓的骨架

边缘和线段不一样。边缘是像素级的梯度变化，线段是更高层的几何抽象。在视觉伺服里，边缘特征常用于轮廓跟踪和形状匹配。

4.3.1 Canny边缘检测

Canny是边缘检测的“老大哥”，1986年提出，到现在还是工业界的主流。它有三个核心步骤：

  1. 高斯滤波——先降噪，不然噪声会被当成边缘
  2. 梯度计算——用Sobel算子算水平和垂直梯度
  3. 双阈值检测——高阈值确定强边缘，低阈值连接弱边缘

我个人觉得，Canny最精妙的地方就是双阈值。高阈值定大方向，低阈值补细节。这个“滞后阈值”的思路，在很多工程问题里都能借鉴。

// Canny 边缘检测
cv::Mat edges;
cv::Canny(src, edges, 50, 150); // 低阈值50，高阈值150

// 显示结果
cv::imshow("Edges", edges);

避坑指南：我曾经在一个项目中，Canny的低阈值设得太低（10），结果把纹理噪声全当成了边缘，伺服系统抖得像筛子。后来我把低阈值提到30，高阈值提到90，才稳定下来。记住——阈值要根据实际图像动态调整，别死用固定值。

4.4 实战选型建议

好了，讲了这么多，到底怎么选？我根据自己的项目经验，给个参考：

  • 纹理丰富、光照稳定 → Harris + 光流，简单粗暴，实时性最好
  • 尺度变化大、需要匹配 → SIFT/SURF，精度优先，牺牲速度
  • 人造结构、直线为主 → LSD，线段稳定，抗噪性好
  • 轮廓清晰、形状匹配 → Canny + 轮廓拟合，适合抓取定位

我的习惯：做视觉伺服系统，我一般会同时提取点特征和线特征，然后用一个置信度评估机制动态切换。纹理丰富时用点，纹理稀疏时用线。这样系统在大多数场景下都能稳定运行。

最后说一句——特征提取没有银弹。你花一周时间调参，不如花一天时间搞清楚你的场景到底需要什么特征。这是我做了十几年视觉伺服，最深的体会。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →