第10课 图像特征的提取 教学课件-2025-2026学年人教版初中信息技术（人工智能专册）

该初中信息科技课件聚焦图像特征提取，系统讲解其概念、提取方法及应用。通过手机相册分类、人脸识别等生活案例导入，引导学生从手动提取数字特征过渡到AI自动提取（如卷积机制），最终理解相似度计算及以图搜图应用，构建递进式学习支架。 其亮点在于设计手动特征提取、卷积体验等动手活动，培养计算思维与数字化学习能力，结合生活案例增强信息意识。采用“原理-实践-应用”教学法，帮助学生直观理解AI视觉原理，教师可借助丰富活动和案例提升教学效果。

第 10 课 图像特征的提取 探索 AI "看懂" 图像的奥秘 AI COMPUTER VISION FUNDAMENTALS 1.7.2013 大家好，欢迎来到今天的课程。在开始之前，我们先来看一段视频。（播放一段40秒的图像识别演示视频）。视频看完了，大家有没有想过一个问题：我们人类通过眼睛和大脑可以轻松识别出画面中的内容，那么AI是如何做到的呢？它是如何像我们一样“看懂”图像的呢？这正是我们今天这堂课要探索的核心奥秘——图像特征的提取。这节课，我们将一起揭开AI视觉世界的神秘面纱。 ‹#› 本节课我们将… 了解图像特征的 基本概念和作用 我们将搞清楚，到底什么是“图像特征”，它为什么对AI如此重要。 掌握图像特征的 提取方法 我们会学习从简单的人工提取到复杂的自动提取，了解AI获取特征的不同方式。 理解图像特征在 相似度计算中的应用 我们将知道，计算机是如何通过比较特征来判断两张图片是否相似的。 体验图像特征提取的 技术原理 通过动手活动，亲身感受AI眼中的图像世界，理解卷积等核心技术的奥秘。 1.7.2013 这节课的目标是“理论理解”与“实践体验”并重。我们不仅要知道“是什么”和“为什么”，更要通过亲手操作，去感受“怎么做”。希望通过这节课，大家能建立起从具体图像到抽象特征的深刻认知，真正理解AI视觉的底层逻辑。 ‹#› 机器眼中的图像世界 📱 手机相册分类 手机相册是如何自动把你的照片分成“人物”、“风景”、“宠物”等类别的？它怎么知道这张照片里是你的朋友，那张是你家的猫呢？ 👤 人脸识别系统 从手机解锁到机场安检，人脸识别无处不在。系统是如何在茫茫人海中精准地找到你，而不是把你和另一个长得很像的人混淆呢？ 🚗 自动驾驶识别 自动驾驶汽车需要实时看懂复杂的交通环境，准确识别出“停止”、“限速”、“转弯”等各种标志。它是如何做到在毫秒间完成识别的？ 🤔 AI 是如何理解图像内容的？ 🔑 图像特征在 AI 识别中起到什么作用？ 1.7.2013 这些我们每天都在接触的应用，背后都依赖于同一个核心技术——图像特征提取。AI并不会像人一样“看”，它看到的是数字。它通过提取图像中那些最具代表性的“特征”，将复杂的图像转化为一串数字，然后通过比较这些数字来进行识别和理解。接下来，我们就来揭开这些“特征”的神秘面纱。 ‹#› 什么是图像特征？ 核心定义 图像特征是能够反映图像本质并帮助我们区分不同图像的特定信息，是图像内容的“关键描述符”。 主要作用 量化描述图像的形状、纹理、颜色、边缘等视觉属性，将非结构化的图像像素转化为结构化的可计算数据。 关键特点 具备代表性：能准确概括图像核心内容；具备区分性：能有效将不同类别的图像区分开。 核心价值 它是实现分类、检索、检测、分割等所有高级计算机视觉任务的技术基石。 形状特征 Shape 描述物体的轮廓与几何结构，如圆形的脸、方形的窗户等。 纹理特征 Texture 描述像素的空间排列模式，如斑马条纹、水面波纹、布料的编织纹理。 颜色特征 Color 描述图像的色彩分布、亮度和饱和度，如香蕉的黄色、天空的蓝色。 边缘特征 Edge 捕捉图像中亮度或颜色突变的位置，常用来定义物体的轮廓线。 1.7.2013 简单来说，特征就是图像的“身份证信息”。就像我们通过一个人的身高、发型、五官来辨认他一样，AI通过提取这些形状、纹理、颜色、边缘等特征来辨认图像。一个好的特征，应该是稳定的、独特的，并且易于计算的。 ‹#› 活动 1：手动提取数字图像特征 📝 记录表格示例 数字 0 | 特征向量: [1, 1, 1, 0, 0, 1, 0, 1, 0, 1] 数字 1 | 特征向量: [0, 0, 1, 0, 0, 0, 1, 0, 0, 1] 01. 观察与分析：观察0-9数字图像，思考每个数字最独特、不易混淆的视觉特点。 02. 设计观察点 (关键)：在5x5网格中，选出最少且最具区分性的格子作为“观察点”。 03. 特征编码：将观察卡覆盖在数字上，有墨迹记为1，无墨迹记为0。 04. 建立特征库：重复编码步骤，为0-9每个数字建立专属的0和1序列（特征向量）。 05. 验证测试：提取陌生手写数字的特征向量，与特征库比对，看能否准确识别。 💡 思考与讨论： • 你最少用了多少个观察点就成功区分了所有数字？ • 如果换一个书写风格差异很大的数字，你的方法还管用吗？ 1.7.2013 这个活动非常关键，它模拟了早期AI的工作方式。大家在做的过程中要思考，如何用最少的信息，做最准确的判断。这就是特征提取的核心思想——抓住关键，忽略次要。 ‹#› 手动提取特征的技术价值 我们刚才的手动活动，其实蕴含了非常重要的技术思想 —— 这也是早期计算机视觉将视觉信息转化为数字信息的核心原理。 图像输入 Input Image 关键点选择 Key Point Selection 二值化编码 Binary Encoding 特征向量 Feature Vector 模式匹配 Pattern Matching 识别结果 Recognition 💡 技术要点解析 🔑 特征点检测：我们人工选点，算法通过数学方法（如角点检测）自动寻找“稳定且信息量最大”的像素位置。 📟 特征描述：二值化编码是最简单的方式，将复杂的像素矩阵压缩为一串 0 和 1 的序列，让计算机可读。 📐 特征向量：最终的 01 串构成一个向量，是图像在高维空间的一个“指纹”，代表了其几何与灰度特征。 ⚖️ 相似度计算：模式匹配本质是向量间的距离度量，通过计算汉明距离或欧式距离，判断是否属于同一类。 ✨ 核心优势 直观易懂：逻辑与人类观察习惯高度一致，原理清晰，易于上手。 计算简单：无需复杂的矩阵运算，仅需基础的逻辑判断与存储。 效率较高：舍弃冗余信息，只关注关键特征，实现了极高的数据压缩率。 1.7.2013 虽然我们现在主要使用更先进的自动方法，但理解这种人工特征提取的思想至关重要。它揭示了计算机视觉的本质：将视觉问题转化为数学问题。所有复杂的算法，其根本目的都是为了更高效、更鲁棒地完成我们刚才手动做的这些步骤。 ‹#› 从图像到数字的转换 数字 0 - 4 特征向量映射 0 → 11110 | 1 → 00001 | 2 → 01111 3 → 01101 | 4 → 11001 注：基于假设的5个关键观察点提取的特征值 数字 5 - 9 特征向量映射 5 → 10101 | 6 → 10111 | 7 → 01000 8 → 11111 | 9 → 11101 注：向量由0和1组成，分别代表“无特征”和“有特征” 唯一性 (Uniqueness) 理想状态下，每个数字都有唯一的特征向量，就像人类的指纹一样，这是识别的基础。 区分性 (Discriminability) 不同数字的向量需有显著差异，例如“1”(00001)与“8”(11111)在数值上极易区分，降低混淆概率。 简洁性 (Simplicity) 仅用5个数字就代表了由大量像素组成的手写数字，实现了数据的“降维”，极大压缩了数据量，提升了计算速度。 1.7.2013 大家看这个表格，原来复杂的图像，现在变成了一行行简单的数字。这就是特征向量的魔力。它把一个视觉问题，变成了一个简单的数字比对问题。计算机处理数字的速度是极快的，这就是为什么AI能够快速识别图像的原因。 ‹#› AI 如何自动学习特征？ 01 人工特征提取(Handcrafted Features) 方法：依赖专家手动定义规则，设计算子。 代表：早期模式识别系统、Haar特征。 特点：开发成本高，难以应对复杂场景。 02 半自动特征提取(ML-based) 方法：人工提取底层特征 + 机器学习分类器。 代表：HOG、SIFT特征结合SVM等模型。 特点：实现了“数据驱动”，适应性有所增强。 03 全自动特征提取(Deep Learning) 方法：深度神经网络端到端自动学习所有层级的特征。 代表：CNN、ResNet、Vision Transformer (ViT)。 特点：无需人工干预，准确性与泛化能力极强。 无需人工干预 从海量数据中自动挖掘特征，极大地解放了专家的人力成本。 超强的适应性 一个训练好的通用模型，可以轻松适应不同的图像识别与分析任务。 识别准确率高 能够捕捉和学习人类视觉系统难以察觉的细微特征与深层模式。 处理效率高 深度学习模型经过优化后，可在专用硬件上实现高速并行处理。 1.7.2013 从手动到自动，是计算机视觉领域最伟大的飞跃之一。深度学习的出现，让AI真正具备了“自学成才”的能力，能够处理极其复杂的视觉任务。接下来，我们将体验其中最核心的技术——卷积。 ‹#› 活动 2：卷积机制体验 🎛️ 准备工具：卷积核 这是一个 3×3 的垂直边缘检测核，其权重矩阵如下： 1 0 -1 1 0 -1 1 0 -1 它能敏锐地捕捉图像中的垂直线条变化。 🖼️ 准备工具：输入图像 选择一张二值化的手写数字图片（如数字“3”）作为输入。我们将在这张图片上模拟卷积核的滑动计算过程。 01. 滑动窗口计算 将卷积核覆盖在图像左上角，对应位置像素相乘并求和，得到输出值。接着将卷积核向右滑动一列，重复计算，直到遍历整张图片。 02. 生成特征图 把每一步的计算结果，按照卷积核的滑动顺序，排列成一个新的二维矩阵。这张新的、尺寸略小于原图的矩阵，就是“特征图”。 03. 结果对比分析 观察生成的特征图，颜色越亮的区域，代表原图中存在垂直边缘的概率越高。这就是卷积“提取特征”的直观体现。 1.7.2013 这个活动模拟了卷积神经网络（CNN）最核心的操作。大家可以看到，通过一个简单的滑动计算，我们就能自动地提取出图像中的特定模式，比如边缘。深度学习就是使用成千上万个这样的卷积核，层层叠加，从简单的边缘、纹理，逐步学习到复杂的形状、物体，最终理解整个图像。 ‹#› AI 自动提取特征的核心技术 局部感受野 (Local Receptive Field) 卷积核就像“放大镜”，每次仅观察图像局部区域，精准捕捉局部特征。 参数共享 (Parameter Sharing) 同一卷积核在全图滑动并复用权重，大幅降低模型复杂度与参数量。 特征映射 (Feature Map) 卷积运算后生成“特征图”，数值大小代表原图对应位置的特征匹配强度。 层次提取 (Hierarchical Learning) 卷积层堆叠，从简单边缘纹理逐步提取到复杂物体的抽象语义。 局部感受野 模拟人类视觉 聚焦局部细节 参数共享 滑动窗口复用 极大减少参数量 层级特征 从边缘到整体 层层递进理解 图像识别 目标检测(YOLO)、图像分类 图像生成 风格迁移、超分辨率修复 图像理解 语义分割、实例分割、OCR 1.7.2013 卷积机制的伟大之处在于，它用一种非常优雅和高效的方式，模仿了人类视觉系统的工作原理。它让机器能够像我们一样，从局部到整体，从简单到复杂，层层递进地理解图像内容。 ‹#› 从像素到特征的转换 原始像素表示 (Raw Pixels) 表示方式：直接使用图像中每个像素的颜色值（如RGB）作为数据输入，未经过任何抽象处理。 ●数据量大且冗余：28x28灰度图即有784维，且相邻像素高度相关。 ●缺乏结构信息：仅为数值堆砌，AI难以直接理解图像的语义与形状。 特征向量表示 (Feature Vectors) 表示方式：通过算法提取图像中具有辨识度的关键信息，转化为短长度、高价值的数值序列。 ●低维且高密度：去除冗余信息，仅保留边缘、角点等核心特征，通常仅需几十至几百维。 ●计算高效：大幅降低了计算复杂度，极大提升了检索与分类效率。 降维处理 Dimensionality Reduction 从高维像素映射到低维空间 信息浓缩 Information Condensation 去粗取精，保留判别性信息 标准化 Normalization 统一数据尺度，优化模型训练 1.7.2013 从原始像素到特征向量的转换，就像是从一本厚厚的书里提炼出几句核心摘要。虽然丢失了细节，但抓住了主旨。这个过程对于AI高效地处理和理解图像至关重要。 ‹#› 活动 3：图像相似度计算 🎯 活动目标：使用演示软件，亲身体验计算机如何将“看起来像”的主观视觉感受，转化为基于特征向量的客观数值计算。 🔍 模拟检索界面 在左侧输入待查询的“目标图”，系统会自动扫描右侧图像库，提取特征向量并按相似度排序展示。 场景 A：同类 同一只狗的不同角度，特征高度重合。 ➜ 相似度得分：高 场景 B：异类 狗与猫的对比，特征差异显著。 ➜ 相似度得分：低 📝 操作流程： 1. 启动软件 → 2. 分别导入场景A和B的图片 → 3. 点击“计算相似度” → 4. 对比两组分数与主观视觉感受是否一致。 💡 进阶思考与任务： • 尝试在图像库中找到与目标图相似度“最高”和“最低”的两张图。 • 思考：除了“是不是同一个物体”，还有哪些因素（如颜色、构图、纹理）会影响相似度得分？ 1.7.2013 这个活动让我们看到，计算机是如何将“看起来像”这种主观感受，转化为一个客观的、可计算的数值。这个数值就是基于我们之前提到的特征向量计算出来的。理解了这一点，我们就能理解以图搜图、内容推荐等应用的基本原理。 ‹#› 量化图像的相似程度 欧氏距离法 (Euclidean Distance) ▌ 原理：在多维空间中，计算两个特征向量之间的直线距离。距离越近，代表图像越相似。 ▌ 公式：d = √((x₂-x₁)² + (y₂-y₁)² + ...) ▌ 特点：直观易懂，逻辑简单，但计算结果容易受向量绝对长度影响。 余弦相似度法 (Cosine Similarity) ▌ 原理：计算两个特征向量之间夹角的余弦值。夹角越小，余弦值越接近1，代表图像越相似。 ▌ 公式：cosθ = (A · B) / (||A|| × ||B||) ▌ 特点：不受向量长度的绝对影响，更专注于衡量两个向量在“方向”上的相似性。 以图搜图 基于图像特征，在海量图库中快速检索并找到视觉相似的图片。 图像分类 利用向量相似度算法，自动将特征相近的图片聚类并划分到同一类别。 重复检测 在存储和处理图片时，精准识别重复或高度相似的图片，实现去重和优化。 1.7.2013 简单总结：欧氏距离看的是“位置”上的远近，而余弦相似度看的是“方向”上的异同。在实际应用中，选择哪种方法取决于具体的场景和特征的性质。 ‹#› 从手工设计到自动学习 01. 手工特征设计 Handcrafted Features 方法：专家手动设计特征提取算子，人工定义关键信息。 代表：SIFT, SURF, HOG 算法 特点：高度依赖领域专家经验，场景泛化能力较弱。 02. 机器学习特征 Machine Learning-based 方法：引入统计学方法，从大量数据中自动学习特征变换与降维。 代表：PCA, ICA 等经典算法 特点：从“专家驱动”转向“数据驱动”，适应性显著增强。 03. 深度学习特征 Deep Learning Features 方法：利用深度神经网络，实现从原始数据到最终结果的端到端自动学习。 代表：CNN, ResNet, ViT 模型 特点：具备极强的特征表达能力，在复杂场景下保持高精度。 彻底摆脱人工依赖 让算法自主发现数据规律，极大降低了开发门槛。 层次化特征提取 自动构建从边缘纹理到高级语义的完整特征体系。 1.7.2013 回顾这段历史，我们可以看到一条清晰的主线：让机器越来越“自主”。从完全依赖人类专家，到让机器从数据中学习，再到让机器端到端地自我学习。深度学习的出现，是这场革命中最关键的里程碑。 ‹#› 图像特征的实际应用：以图搜图系统设计 旧照片识别 利用图像特征比对，自动关联老照片背后的历史信息与人物档案。 电商产品搜索 用户上传商品截图，系统自动检索全网同款或相似款，提升购物体验。 视觉内容推荐 分析用户浏览图片的风格与特征，精准推荐同类型的艺术作品或摄影作品。 01. 特征提取模块(Offline & Online) •离线：批量遍历图像库，提取特征向量并建立索引库。 •在线：实时处理用户上传的查询图，提取相同维度的特征向量。 02. 数据库匹配模块(Online) •计算：利用向量检索技术(如Faiss)快速计算相似度。 •排序：根据余弦相似度或汉明距离对候选结果进行降序排列，输出ID列表。 03. 结果展示模块(Online) •聚合：根据匹配返回的ID列表，从数据库获取完整的图像元数据。 •呈现：前端渲染图文列表，支持用户进一步筛选或操作。 特征鲁棒性 如何在光照不均、角度旋转、尺寸缩放和遮挡的情况下保持高准确率？ 海量计算效率 在亿级图像库中，如何实现毫秒级的实时检索响应，平衡精度与速度？ 用户体验优化 如何平衡结果的相关性与多样性，避免推荐同质化内容，满足用户意图？ 1.7.2013 以图搜图是图像特征提取技术最直观、最广泛的应用之一。通过这个系统设计的例子，大家可以看到，我们今天学习的所有知识点——特征提取、特征向量、相似度计算——是如何协同工作，构成一个完整的应用系统的。这体现了理论知识的实际价值。 ‹#› 课堂小结：图像特征提取的技术价值 知识地图：核心要素拆解 基本概念 定义 · 类型 · 作用 提取方法 人工/自动 · 卷积机制 表示方式 特征向量 · 降维处理 应用价值 以图搜图 · 图像识别 技术发展：从“手工设计” 走向 “深度学习自动提取” 💡 核心观点回顾 基石：图像特征是人工智能理解视觉世界的“基石”。 桥梁：特征提取连接了“原始像素”与“高级语义理解”。 趋势：深度学习推动的“自动特征提取”是未来核心方向。 价值：广泛渗透于生活，赋能各行各业。 1.7.2013 今天，我们一起从最基本的概念出发，亲手体验了特征提取的过程，理解了卷积的奥秘，最终看到了这些技术如何构建出强大的应用系统。希望大家记住，无论技术多么复杂，其核心思想都是为了更高效、更准确地抓住图像的本质。 ‹#› 课后实践任务：图像特征探索者 任务一：特征提取实验 选择一组你感兴趣的简单图像（如水果、动物）。模仿课堂上的手动提取方法，设计一套你自己的特征提取规则。建立特征库，并测试你的方法的识别效果。 🎯 核心要求： 客观分析你的方法在不同图像样本下的优缺点与适用边界。 任务二：图像相似度调研 调研除了欧氏距离和余弦相似度之外，还有哪些常用的图像相似度计算方法（如曼哈顿距离、汉明距离等）。对比分析它们的核心原理、典型适用场景和计算效果的差异。 🎯 核心要求： 解释为什么在特定场景下，一种度量方法的表现优于另一种。 任务三：以图搜图系统设计 基于课堂讲解，设计一个详细的以图搜图系统方案。思考如何处理不同尺寸的输入图片？如何优化算法以提升海量数据下的搜索响应速度？ 🎯 核心要求： 绘制系统的详细模块架构图，并阐述关键技术难点与你的解决方案。 📝 最终展示：请任选以上一个任务，制作一份技术报告 PPT（6-8页）进行分享。 1.7.2013 理论学习的最终目的是为了解决实际问题。这些课后任务旨在鼓励大家将所学知识付诸实践，进行更深入的探索和思考。希望大家能在实践中发现新的问题，获得新的感悟。 ‹#› 深入了解计算机视觉技术 在线课程 •李飞飞《计算机视觉》(CS231n): 斯坦福大学经典入门与进阶课程。 •Coursera《计算机视觉专项课程》: 体系完整，适合系统学习。 科普视频 •《计算机视觉的奥秘》系列视频: 直观生动地解释复杂的底层技术原理。 •YouTube AI频道: 关注 Sentdex, Aladdin Persson 等创作者。 互动工具 •TensorFlow Playground: 浏览器内即可体验的神经网络可视化工具。 •Algorithmia / API平台: 快速调用预训练的图像识别模型API。 技术博客与社区 •国内科技媒体: 机器之心、量子位、雷锋网，紧跟行业前沿资讯。 •问答社区: 知乎、Stack Overflow，解决技术难题的活跃平台。 1.7.2013 今天的课程只是一个起点。计算机视觉是一个飞速发展、充满魅力的领域。希望这些资源能帮助大家打开一扇窗，看到更广阔的技术世界。保持好奇，持续学习，你也可以成为这个领域的探索者和创造者。谢谢大家！ ‹#› $