“手工制作”特征是指使用图像本身中存在的信息使用各种算法得出的属性。例如，可以从图像中提取的两个简单特征是边和角。基本的边缘检测算法通过查找图像强度“突然”变化的区域来工作。要理解这一点，我们需要记住，典型的图像只不过是一个 2D 矩阵（或多个矩阵或张量或 n 维数组，当您有多个通道，如红色、绿色、蓝色等时）。在 8 位灰度图像（或“黑白”图像，尽管后一种定义不太准确）的情况下，图像通常是一个 2D 矩阵，其值范围从 0 到 255，其中 0 表示完全黑色和 255 是完全白色的。现在想象一个黑板贴在全白墙上的图像。当我们在图像中从左到右移动时，矩阵的其中一行中的值可能看起来像 255-255-255... 因为我们将沿着墙壁“移动”。然而，当我们即将击中图像中的黑板时，它可能看起来像 255-255-0-0-0...正如您可能已经猜到的，黑板“开始”在图像中从零开始的位置。换句话说，图像沿“x”轴的“强度”下降得相当突然（或沿 x 的负梯度非常大），这意味着典型的边缘检测器会认为它是一个很好的边缘候选者。沿着墙壁。然而，当我们即将击中图像中的黑板时，它可能看起来像 255-255-0-0-0...正如您可能已经猜到的，黑板“开始”在图像中从零开始的位置。换句话说，图像沿“x”轴的“强度”下降得相当突然（或沿 x 的负梯度非常大），这意味着典型的边缘检测器会认为它是一个很好的边缘候选者。沿着墙壁。然而，当我们即将击中图像中的黑板时，它可能看起来像 255-255-0-0-0...正如您可能已经猜到的，黑板“开始”在图像中从零开始的位置。换句话说，图像沿“x”轴的“强度”下降得相当突然（或沿 x 的负梯度非常大），这意味着典型的边缘检测器会认为它是一个很好的边缘候选者。

我们刚才看到的算法只是非常基础的算法，其他的像 Harris 角点和 Hogg 检测器使用稍微“复杂”的算法。实际上，即使是 Canny 边缘检测器也比我刚才描述的要多得多，但这不是重点。关键是，一旦您了解图像只不过是一个数据矩阵或 n 维数组，其他算法也并不难理解。

关于你的最后一个问题：

这与学习的特征有关吗？

例如，“手工制作的特征”通常与用于对象识别和计算机视觉的“传统”机器学习方法一起使用，例如支持向量机。然而，像卷积神经网络这样的“较新”方法通常不必提供这种手工制作的特征，因为它们能够从图像数据中“学习”特征。或者套用 Geoff Hinton 的话说，这种特征提取技术是“在该领域变得愚蠢之前在图像识别中很常见的技术”。