前言
在做图像任务中，常常需要提取图像的特征，本篇将简单介绍以下在图像分类任务中常见的图像特征提取。
一. 颜色特征
颜色特征是图像任务中常见的一种图像特征，依靠提取图像的颜色特征进行图像任务执行。
例如常见颜色特征（HSV），具体的实施流程为：
1.1 读取图像
1.2. RGB空间转换为HSV空间
1.3. 初始化颜色特征
1.4. 获取一阶矩（均值 mean）并放置在特征数组
1.5. 获取二阶矩 （标准差 std）并放置在特征数组
1.6. 三阶矩 （斜度 skewness）并放置在特征数组
1.7 组合一阶矩.二阶矩.三阶矩 构成读取图像的特征向量
形状特征
由于图像的颜色特征在执行图像任务时误差较大，往往达不到实现目的，我们通常会提取图像的形状特征，而常见的形状特征如下：
2.1 SIFT特征：
优点：对于旋转、尺度收缩、亮度保持不变性；抗遮挡
缺点：计算量大
适用范围：图像匹配、三维建模等相关
2.2 HOG特征：
优点：忽略光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了。
缺点：描述子生成过程冗长，计算速度慢，实时性差；很难处理遮挡问题；对图像的噪点相当敏感
适用范围：行人检测等相关
2.3 LBP特征：
优点：对光照不敏感；运算速度块
缺点：对方向信息敏感
适用范围：人脸识别、图像分类
上述三类为图像形状特征中较为常见的特征，能够解决大部分图像任务，但还有两种用的同样比较多但不怎么常见的特征。
2.4 灰度共生矩阵(Glcm)
2.4 Hu特征
