由于这个问题与我已经回答的类似问题高度重叠，我将在此处包含该答案（链接在问题下方的评论中）：

在图像中，一些常用的特征提取技术是二值化和模糊

二值化：将图像数组转换为 1 和 0。这是在将图像转换为 2D 图像时完成的。甚至也可以使用灰度。它为您提供图像的数字矩阵。存储在光盘上时，灰度占用的空间要少得多。

这就是你在 Python 中的做法：

from PIL import Image

%matplotlib inline  

#Import an image
image = Image.open("xyz.jpg")

image

示例图像：

现在，转换成灰度：

im = image.convert('L')

im

将返回此图像：

通过运行这个矩阵可以看到：

array(im)

数组看起来像这样：

array([[213, 213, 213, ..., 176, 176, 176],
       [213, 213, 213, ..., 176, 176, 176],
       [213, 213, 213, ..., 175, 175, 175],
       ..., 
       [173, 173, 173, ..., 204, 204, 204],
       [173, 173, 173, ..., 205, 205, 204],
       [173, 173, 173, ..., 205, 205, 205]], dtype=uint8)

现在，使用直方图和/或等高线图查看图像特征：

from pylab import *

# create a new figure
figure()
gray()
# show contours with origin upper left corner
contour(im, origin='image')
axis('equal')
axis('off')


figure()


hist(im_array.flatten(), 128)

show()

这将返回一个情节，看起来像这样：

模糊：模糊算法采用相邻像素的加权平均，将周围的颜色融入每个像素。它可以更好地增强轮廓，并有助于更好地理解特征及其重要性。

这就是你在 Python 中的做法：

from PIL import *


figure()
p = image.convert("L").filter(ImageFilter.GaussianBlur(radius = 2))
p.show()

模糊的图像是：

因此，这些是您可以进行特征工程的一些方法。对于高级方法，您必须了解计算机视觉和神经网络的基础知识，以及不同类型的过滤器及其意义和背后的数学原理。

整个分析是使用PIL 包完成的。我不会声称它是图像分析的一站式商店，但对于初学者到新手来说，它几乎就是它。

opencv库中有一定的特征提取算法。其中一些是 SURF 或 SIFT，opencv 中的 HOG。Python sklearn 库中的本地二进制模式（LBP）。另一种技术是创建视觉词袋。opencv 中也存在 BOW 类。要了解视觉词袋的概念，您可以查找一些研究论文。

opencv Python中的冲浪：

surf = cv2.SURF(400)
kp, des = surf.detectAndCompute(img,None)

您可以查看 opencv文档了解更多详细信息。同样，您可以了解所有其他特征提取方法。这是关于 HOG 特征提取的另一篇博客。

从训练数据集图像中提取所有特征后，您可以使用sklearn的svm库来训练分类器。有很多资源可以帮助您在 python 中开始学习机器学习。

您能告诉我们您使用哪些标准来考虑图片“优质图像”或“劣质图像”吗？

例如，如何处理它的一个想法可能是选择不聚焦的图片作为坏图片。区分它的一种方法是在图像上计算Sobel 算子以获得边缘。一张模糊的图像比一张好的图像包含更少的边缘，但它也取决于图像的类型（这与只有大海和沙子的风景和一张满桌子的照片不同），所以你会需要标准化您的图像，但还不知道如何处理这种标准化。

我对 python 库的建议是OpenCv。几年前我尝试使用它时，它的 Python 语言文档很糟糕，但从那时起它肯定已经有了很大的改进。

如果您有一组相当大的“好”和“坏”图像，您可以使用带有 pytorch 或 tensorflow 之类的包的卷积神经网络 (CNN)（pytorch 更符合 Python 风格）。据我了解，如今对于图像任务，CNN 是所有酷孩子都在使用的。

有一个用于预加载模型的包，您可以使用此处所示的 vgg16 之类的小东西，然后将最后一层替换为教程末尾所示的大小为 2 的全连接输出，或者下载笔记本。

很好，在这种情况下，您不必关心“好”和“坏”是什么（因此您的问题可能非常正确），只要您有 10K 图像...