捕捉图像的轮廓边界，奠定特征提取基础

在深度学习兴起之前（2012年AlexNet出现之前），计算机视觉领域的特征提取技术以传统手工设计特征为主，其核心逻辑是“研究者基于专业经验，设计特定的特征描述子，从原始图像中提取浅层视觉特征”，本质是“人工定义特征规则，机器执行特征提取”。这类技术的核心优势是计算量小、部署门槛低，无需海量标注数据和强大的算力支撑，但其局限性也十分明显——特征的表达能力有限，无法捕捉目标的深层语义信息，泛化能力和抗干扰能力较弱，难以适配复杂场景的应用需求。

传统特征提取技术主要分为三大类：边缘特征提取、纹理特征提取、角点与轮廓特征提取，每类技术都有其专属的核心原理和经典算法，以下详细拆解各类技术的原理及应用场景。

边缘是图像中最基础、最直观的特征，是图像中灰度值、色彩值发生剧烈变化的区域，也是区分不同目标、不同区域的重要标志——例如，人脸的五官轮廓、车辆的车身边缘、物体与背景的分界线等，都属于边缘特征。边缘特征提取的核心原理是：通过设计特定的卷积算子（滤波核），对原始图像进行卷积运算，检测图像中灰度值的突变区域，从而提取出边缘轮廓，剔除灰度值平稳的冗余区域。

传统边缘特征提取的经典算法主要有四种，其原理各有侧重，适配不同的场景需求：

1. Sobel算子：核心原理是利用梯度计算检测边缘，通过设计水平和垂直两个方向的3×3卷积算子，分别对原始图像进行卷积运算，计算图像在水平方向（x轴）和垂直方向（y轴）的灰度梯度值，梯度值越大，说明该区域的灰度变化越剧烈，大概率为边缘区域；最后通过梯度幅值和梯度方向，确定边缘的位置和走向。Sobel算子的优势是抗噪声能力较强，能够有效抑制图像噪声对边缘提取的干扰，计算量小，速度快，广泛应用于实时性要求较高的场景，如监控图像的边缘检测、工业零件的轮廓初步检测等；局限性是提取的边缘不够细腻，存在一定的模糊性，难以检测到细小花边、细微缺陷等精细边缘。

2. Canny算子：目前应用最广泛的边缘提取算法，其原理比Sobel算子更复杂，分为四个步骤：第一步，对原始图像进行高斯滤波，利用高斯函数平滑图像，剔除噪声干扰，为后续边缘检测奠定基础；第二步，计算图像的梯度幅值和梯度方向，采用Sobel算子的梯度计算方法，确定边缘的大致位置和走向；第三步，非极大值抑制，遍历梯度图像，剔除边缘上的冗余像素，只保留梯度幅值最大的像素点，使边缘变得细腻、清晰，解决Sobel算子边缘模糊的问题；第四步，双阈值检测与边缘连接，设置高阈值和低阈值，梯度幅值大于高阈值的区域确定为强边缘，小于低阈值的区域剔除，介于两者之间的区域若与强边缘相连，则确定为弱边缘并连接，最终形成完整的边缘轮廓。Canny算子的优势是提取的边缘细腻、准确，抗噪声能力强，能够检测到精细边缘，广泛应用于医疗影像边缘检测（如病灶边缘检测）、精细零件质检、人脸五官轮廓提取等场景；局限性是计算量比Sobel算子大，实时性略差。

3. Laplacian算子：核心原理是利用二阶导数检测边缘，通过设计二阶差分卷积算子，对原始图像进行卷积运算，检测图像中灰度值的二阶突变（即灰度值的拐点），从而确定边缘位置。Laplacian算子的优势是对边缘的定位精度高，能够检测到细微的边缘变化，无需计算梯度方向，原理简单；局限性是抗噪声能力极弱，图像中的噪声会被放大，导致提取的边缘出现大量冗余，甚至出现虚假边缘，因此通常需要先对图像进行高斯滤波，再使用Laplacian算子进行边缘检测，主要应用于对边缘定位精度要求极高、噪声干扰较小的场景，如医学影像的细微病灶边缘检测、卫星图像的细节边缘提取等。

4. Prewitt算子：与Sobel算子原理类似，同样采用梯度计算检测边缘，设计水平和垂直两个方向的3×3卷积算子，通过卷积运算计算图像的梯度幅值和梯度方向，确定边缘位置。Prewitt算子的优势是计算量小，速度快，对灰度渐变的边缘检测效果较好；局限性是抗噪声能力比Sobel算子弱，提取的边缘不够细腻，主要应用于噪声干扰较小、对实时性要求较高、对边缘细腻度要求不高的场景，如普通图像的轮廓提取、简单场景的目标分割等。