（6-6-2）图像数据的特征提取——基本图像特征：边缘检测、颜色直方图等

基本图像特征是从图像的原始像素值中提取的简单特征，这些特征可以帮助我们理解图像的基本视觉属性。以下是两个基本图像特征的示例：边缘检测和颜色直方图。

1. 边缘检测

边缘是图像中像素值变化剧烈的地方，通常表示物体的边界或纹理变化。边缘检测可以帮助我们识别图像中的物体轮廓和形状。

2. 颜色直方图

颜色直方图是表示图像中不同颜色值的频率分布。它可以帮助我们了解图像中的颜色分布情况，有助于图像分类、检索和分割

请看下面的例子，使用PyTorch实现了图像的特征提取功能，包括边缘检测和颜色直方图。

实例6-15：PyTorch实现图像的边缘检测和颜色直方图功能（源码路径：daima\6\jianzhi.py）

实例文件jianzhi.py的具体实现代码如下所示。

import torch
import cv2
import numpy as np
from torchvision.transforms import ToTensor
from matplotlib import pyplot as plt

# 加载图像
image_path = 'your_image_path.jpg'
image = cv2.imread(image_path)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 数据预处理
transform = ToTensor()
image_tensor = transform(image_rgb)

# 边缘检测
edges = cv2.Canny(image, threshold1=100, threshold2=200)
edges_tensor = torch.tensor(edges).unsqueeze(0).unsqueeze(0).float()

# 颜色直方图
hist_r = cv2.calcHist([image_rgb], [0], None, [256], [0, 256]).squeeze()
hist_g = cv2.calcHist([image_rgb], [1], None, [256], [0, 256]).squeeze()
hist_b = cv2.calcHist([image_rgb], [2], None, [256], [0, 256]).squeeze()

# 可视化结果
plt.figure(figsize=(12, 4))

plt.subplot(131), plt.imshow(image_rgb)
plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(132), plt.imshow(edges, cmap='gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

plt.subplot(133)
plt.plot(hist_r, color='r', label='Red')
plt.plot(hist_g, color='g', label='Green')
plt.plot(hist_b, color='b', label='Blue')
plt.title('Color Histogram')
plt.legend()

plt.tight_layout()
plt.show()

上述代码从加载图像开始，通过OpenCV库进行图像处理，使用PyTorch的张量进行数据处理，执行边缘检测，计算颜色直方图，最后通过Matplotlib库进行可视化。这个例子展示了将图像处理与特征提取结合起来，并进行可视化展示的过程。执行效果如图6-8所示。

图6-8  执行效果

下面是一个TensorFlow使用边缘检测和直方图技术制作大型模型的例子，请注意，这只是一个简单的示例，在实际应用中可能需要更复杂的模型和更多的数据处理步骤。

实例6-16：TensorFlow使用边缘检测和直方图技术制作大型模型（源码路径：daima\6\tjianzhi.py）

实例文件tjianzhi.py的具体实现代码如下所示。

import tensorflow as tf
import cv2
import numpy as np
from matplotlib import pyplot as plt

# 加载图像
image_path = 'your_image_path.jpg'
image = cv2.imread(image_path)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 边缘检测
edges = cv2.Canny(image, threshold1=100, threshold2=200)

# 颜色直方图
hist_r = cv2.calcHist([image_rgb], [0], None, [256], [0, 256]).squeeze()
hist_g = cv2.calcHist([image_rgb], [1], None, [256], [0, 256]).squeeze()
hist_b = cv2.calcHist([image_rgb], [2], None, [256], [0, 256]).squeeze()

# 创建大型模型（示例）
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=image_rgb.shape),
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 数据预处理
transform = tf.keras.layers.experimental.preprocessing.Rescaling(1./255)
image_tensor = transform(image_rgb[np.newaxis, ...])

# 训练模型（示例）
model.fit(image_tensor, np.array([0]), epochs=1, verbose=0)

# 可视化结果
plt.figure(figsize=(12, 4))

plt.subplot(131), plt.imshow(image_rgb)
plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(132), plt.imshow(edges, cmap='gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

plt.subplot(133)
plt.plot(hist_r, color='r', label='Red')
plt.plot(hist_g, color='g', label='Green')
plt.plot(hist_b, color='b', label='Blue')
plt.title('Color Histogram')
plt.legend()

plt.tight_layout()
plt.show()

在上述代码中，首先加载了图像，进行边缘检测和颜色直方图计算，然后创建了一个简单的卷积神经网络模型，并使用加载的图像进行训练（在示例中只有一个样本）。最后，通过Matplotlib库绘制了原始图像、边缘图像和颜色直方图。执行效果如图6-8所示。

图6-8  执行效果