設(shè)計(jì)一個(gè)圖像特征提取與比較實(shí)驗(yàn)

中圖分類號(hào)：G434文獻(xiàn)標(biāo)識(shí)碼：A論文編號(hào)：1674—2117（2025）19-0089-03

在人工智能教學(xué)中，“特征”是一個(gè)核心概念。無論是圖像分類還是語音識(shí)別，算法的目標(biāo)都是從數(shù)據(jù)中提取有意義的特征。傳統(tǒng)方法依賴人工設(shè)計(jì)規(guī)則，而深度學(xué)習(xí)模型則能自動(dòng)學(xué)習(xí)特征，但這個(gè)過程往往像一個(gè)“黑箱”，難以直觀理解。為此，筆者設(shè)計(jì)了一個(gè)圖像特征提取與比較實(shí)驗(yàn)，嘗試打開這個(gè)黑箱，幫助學(xué)生理解機(jī)器是如何“看”圖像的。

圖像特征提取的技術(shù)與工具

圖像特征提取主要有兩種思路：一種是傳統(tǒng)算法，依靠人工設(shè)計(jì)的規(guī)則提取圖像中的顏色、形狀、紋理等基本信息；另一種是深度學(xué)習(xí)方法，通過神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)圖像的層次化特征。在傳統(tǒng)算法中，HOG（方向梯度直方圖）通過統(tǒng)計(jì)圖像局部區(qū)域的梯度方向來構(gòu)建特征，常用于描述物體輪廓。LBP（局部二值模式）則通過比較像素之間的灰度差異來提取紋理特征。這些方法簡(jiǎn)單有效，但對(duì)光照、角度變化敏感，難以應(yīng)對(duì)復(fù)雜場(chǎng)景。深度學(xué)習(xí)方法如卷積神經(jīng)網(wǎng)絡(luò)（CNN），通過多層網(wǎng)絡(luò)結(jié)構(gòu)逐步提取圖像中的邊緣、紋理、部件等特征，最終形成具有語義信息的特征向量。這類方法適應(yīng)性強(qiáng)，能自動(dòng)從數(shù)據(jù)中學(xué)習(xí)，更適合現(xiàn)代視覺任務(wù)。

若要比較不同方法的特征提取效果，可選擇一組圖像，先分別提取特征再計(jì)算它們之間的相似度。常用的工具有OpenCV（支持HOG等傳統(tǒng)算法）、BaseNN（提供多種預(yù)訓(xùn)練CNN模型）以及XEduHub中的CLIP模型（支持圖像與文本聯(lián)合理解）。XEduHub還提供了方便的相似度計(jì)算函數(shù)，便于比較特征向量。

圖像特征提取實(shí)驗(yàn)的設(shè)計(jì)

本實(shí)驗(yàn)旨在通過具體操作，比較不同特征提取方法的效果，并引導(dǎo)學(xué)生思考特征背后的機(jī)器視覺原理。

1.實(shí)驗(yàn)?zāi)繕?biāo)

設(shè)定實(shí)驗(yàn)?zāi)繕?biāo)如下：

① 比較傳統(tǒng)算法與深度學(xué)習(xí)在特征提取中的差異；② 檢驗(yàn)預(yù)訓(xùn)練模型是否能夠有效區(qū)分不同圖像；

③ 探究模型參數(shù)數(shù)量是否影響特征提取效果；④ 評(píng)估CLIP模型在圖像理解方面的獨(dú)特優(yōu)勢(shì)。

2.實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)選用五張圖像：兩只不同的貓、一只長(zhǎng)得像狗的貓、一條狗和一只鳥（如圖1）。這些圖像在視覺上具有一定梯度，便于觀察特征提取方法是否能夠反映人類對(duì)圖像的理解。實(shí)驗(yàn)基于XEdu環(huán)境，使用Python編程，調(diào)用OpenCV、BaseNN和XEduHub等庫(kù)。

3.實(shí)驗(yàn)核心環(huán)節(jié)

實(shí)驗(yàn)分為三個(gè)環(huán)節(jié)，分別使用傳統(tǒng)算法、CNN模型和CLIP模型進(jìn)行特征提取與比較。

環(huán)節(jié)一：基于傳統(tǒng)算法的圖 像特征提取

使用OpenCV中的HOG算法提取圖像特征。為避免圖像尺寸不一致導(dǎo)致特征維度不同，所有圖像統(tǒng)一調(diào)整為 256×256 像素。核心代碼如圖2所示。

在提取特征后，使用XEduHub中的get_similarity函數(shù)計(jì)算余弦相似度。計(jì)算結(jié)果如圖3所示，HOG算法對(duì)圖像內(nèi)容的語義理解能力較弱，甚至出現(xiàn)“鳥與貓”相似度較高的不合理情況，說明傳統(tǒng)方法在復(fù)雜場(chǎng)景下存在局限。

環(huán)節(jié)二：基于BaseNN的圖像 特征提取

BaseNN提供了extract_feature函數(shù)，可方便地使用預(yù)訓(xùn)練CNN模型提取圖像特征。筆者嘗試了ResNet18、ResNet50和MobileNetV3等模型，參考代碼如圖4所示。

計(jì)算結(jié)果如下頁(yè)圖5所示。實(shí)驗(yàn)發(fā)現(xiàn)，ResNet18在相似度排序上表現(xiàn)最佳/貓與自身最相似，其次是另一只貓，接著是像狗的貓、狗，最后是鳥，符合人類認(rèn)知。經(jīng)過測(cè)試，參數(shù)更多的ResNet50并未顯著優(yōu)于ResNet18，說明模型不是越大越好，合適才最重要。

環(huán)節(jié)三：基于CLIP模型的圖 像特征提取

CLIP模型（ContrastiveLanguage-Image Pre-training）是一種多模態(tài)預(yù)訓(xùn)練模型，由OpenAI在2021年提出。CLIP模型內(nèi)置了圖像編碼器。

與鳥？機(jī)器需要學(xué)習(xí)什么才能接近這種能力？特征向量中的每一個(gè)數(shù)字究竟代表了什么？這些問題的探討，有助于學(xué)生跳出代碼實(shí)現(xiàn)，觸及人工智能的核心—如何讓機(jī)器形成對(duì)世界的抽象表達(dá)。

未來，教師還可將實(shí)驗(yàn)拓展至多模態(tài)任務(wù)，如嘗試用文本描述檢索圖像，或比較同一模型對(duì)不同藝術(shù)風(fēng)格圖像的特征提取效果，從而幫助學(xué)生理解視覺表征的多樣性與復(fù)雜性。通過這類實(shí)驗(yàn)，不只是教授技術(shù)，更是在培養(yǎng)學(xué)生對(duì)智能本質(zhì)的認(rèn)知與思考。 e

用XEduhub內(nèi)置的CLIP模型提取圖像特征向量的代碼如圖6所示。

③ 模型參數(shù)越多不一定效果越好，應(yīng)根據(jù)任務(wù)需求選擇合適模型。

④ CLIP模型憑借其多模態(tài)訓(xùn)練背景，在圖像語義理解方面表現(xiàn)突出，特別適合開放環(huán)境下的圖像理解任務(wù)。

CLIP模型提取的圖像編碼雖然只有512維向量，比起HOG和ResNet18的1000維來說要“輕量”很多，但是具備強(qiáng)大的多模態(tài)理解能力。相似度比較結(jié)果顯示，CLIP能準(zhǔn)確識(shí)別圖像之間的語義關(guān)系，排序合理且區(qū)分度明顯，展現(xiàn)了其在零樣本學(xué)習(xí)任務(wù)中的潛力。

圖像特征提取實(shí)驗(yàn)的實(shí)施反思

圖像特征提取實(shí)驗(yàn)的研究結(jié)論

通過實(shí)驗(yàn)，可以得出以下結(jié)論：

圖像特征提取實(shí)驗(yàn)不僅是一次技術(shù)操作，更是一次理解機(jī)器如何“看”世界的思維訓(xùn)練。通過對(duì)比傳統(tǒng)方法與深度學(xué)習(xí)的特征提取效果，學(xué)生能直觀感受到從“人工設(shè)計(jì)規(guī)則”到“機(jī)器自動(dòng)學(xué)習(xí)”的范式轉(zhuǎn)變。傳統(tǒng)方法如HOG雖能捕捉輪廓紋理，卻難以理解語義，而CNN通過層次化學(xué)習(xí)，逐步構(gòu)建起從邊緣到物體的認(rèn)知邏輯，CLIP則進(jìn)一步打破模態(tài)界限，展現(xiàn)出跨模態(tài)理解的潛力。

① 傳統(tǒng)算法在形狀描述上有效，但缺乏語義理解能力；深度學(xué)習(xí)方法能捕捉更高層次的特征，更適合復(fù)雜圖像。

② 預(yù)訓(xùn)練CNN模型能有效區(qū)分常見圖像，輕量模型如ResNet18在多數(shù)任務(wù)中已足夠使用。

在教學(xué)中，教師可引導(dǎo)學(xué)生深入思考：為什么人眼能輕易區(qū)分貓