設計一個圖像特征提取與比較實驗

中圖分類號：G434文獻標識碼：A論文編號：1674—2117（2025）19-0089-03

在人工智能教學中，“特征”是一個核心概念。無論是圖像分類還是語音識別，算法的目標都是從數據中提取有意義的特征。傳統方法依賴人工設計規則，而深度學習模型則能自動學習特征，但這個過程往往像一個“黑箱”，難以直觀理解。為此，筆者設計了一個圖像特征提取與比較實驗，嘗試打開這個黑箱，幫助學生理解機器是如何“看”圖像的。

圖像特征提取的技術與工具

圖像特征提取主要有兩種思路：一種是傳統算法，依靠人工設計的規則提取圖像中的顏色、形狀、紋理等基本信息；另一種是深度學習方法，通過神經網絡自動學習圖像的層次化特征。在傳統算法中，HOG（方向梯度直方圖）通過統計圖像局部區域的梯度方向來構建特征，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。這些方法簡單有效，但對光照、角度變化敏感，難以應對復雜場景。深度學習方法如卷積神經網絡（CNN），通過多層網絡結構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。這類方法適應性強，能自動從數據中學習，更適合現代視覺任務。

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算它們之間的相似度。常用的工具有OpenCV（支持HOG等傳統算法）、BaseNN（提供多種預訓練CNN模型）以及XEduHub中的CLIP模型（支持圖像與文本聯合理解）。XEduHub還提供了方便的相似度計算函數，便于比較特征向量。

圖像特征提取實驗的設計

本實驗旨在通過具體操作，比較不同特征提取方法的效果，并引導學生思考特征背后的機器視覺原理。

1.實驗目標

設定實驗目標如下：

① 比較傳統算法與深度學習在特征提取中的差異；② 檢驗預訓練模型是否能夠有效區分不同圖像；

③ 探究模型參數數量是否影響特征提取效果；④ 評估CLIP模型在圖像理解方面的獨特優勢。

2.實驗準備

實驗選用五張圖像：兩只不同的貓、一只長得像狗的貓、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圖像的理解。實驗基于XEdu環境，使用Python編程，調用OpenCV、BaseNN和XEduHub等庫。

3.實驗核心環節

實驗分為三個環節，分別使用傳統算法、CNN模型和CLIP模型進行特征提取與比較。

環節一：基于傳統算法的圖 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致特征維度不同，所有圖像統一調整為 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函數計算余弦相似度。計算結果如圖3所示，HOG算法對圖像內容的語義理解能力較弱，甚至出現“鳥與貓”相似度較高的不合理情況，說明傳統方法在復雜場景下存在局限。

環節二：基于BaseNN的圖像 特征提取

BaseNN提供了extract_feature函數，可方便地使用預訓練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。

計算結果如下頁圖5所示。實驗發現，ResNet18在相似度排序上表現最佳/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，符合人類認知。經過測試，參數更多的ResNet50并未顯著優于ResNet18，說明模型不是越大越好，合適才最重要。

環節三：基于CLIP模型的圖 像特征提取

CLIP模型（ContrastiveLanguage-Image Pre-training）是一種多模態預訓練模型，由OpenAI在2021年提出。CLIP模型內置了圖像編碼器。

與鳥？機器需要學習什么才能接近這種能力？特征向量中的每一個數字究竟代表了什么？這些問題的探討，有助于學生跳出代碼實現，觸及人工智能的核心—如何讓機器形成對世界的抽象表達。

未來，教師還可將實驗拓展至多模態任務，如嘗試用文本描述檢索圖像，或比較同一模型對不同藝術風格圖像的特征提取效果，從而幫助學生理解視覺表征的多樣性與復雜性。通過這類實驗，不只是教授技術，更是在培養學生對智能本質的認知與思考。 e

用XEduhub內置的CLIP模型提取圖像特征向量的代碼如圖6所示。

③ 模型參數越多不一定效果越好，應根據任務需求選擇合適模型。

④ CLIP模型憑借其多模態訓練背景，在圖像語義理解方面表現突出，特別適合開放環境下的圖像理解任務。

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，但是具備強大的多模態理解能力。相似度比較結果顯示，CLIP能準確識別圖像之間的語義關系，排序合理且區分度明顯，展現了其在零樣本學習任務中的潛力。

圖像特征提取實驗的實施反思

圖像特征提取實驗的研究結論

通過實驗，可以得出以下結論：

圖像特征提取實驗不僅是一次技術操作，更是一次理解機器如何“看”世界的思維訓練。通過對比傳統方法與深度學習的特征提取效果，學生能直觀感受到從“人工設計規則”到“機器自動學習”的范式轉變。傳統方法如HOG雖能捕捉輪廓紋理，卻難以理解語義，而CNN通過層次化學習，逐步構建起從邊緣到物體的認知邏輯，CLIP則進一步打破模態界限，展現出跨模態理解的潛力。

① 傳統算法在形狀描述上有效，但缺乏語義理解能力；深度學習方法能捕捉更高層次的特征，更適合復雜圖像。

② 預訓練CNN模型能有效區分常見圖像，輕量模型如ResNet18在多數任務中已足夠使用。

在教學中，教師可引導學生深入思考：為什么人眼能輕易區分貓