相对于前面的机器学习都是处理一些简单的数字，今天我们来用机器学习处理一点稍微高级的内容，我们进行图像的特征提取。图像的特征提取有很多的用途，比如图像分类、目标检测、图像检索、聚类分析、异常检测、图像生成、特征融合等，但是饭总是要一口一口吃，知识也是一点一点学，我们先看一下如何提取图像特征。

我们提取到的图像特征是patch，可以理解为是一个图像块，它是指从图像中提取的小区域，它可以包含物体的某个部分或者某个特定的纹理。这里还是使用sklearn加skimage，直接看实际代码吧，如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.feature_extraction import image
from skimage import data

# 使用skimage自带的硬币图像
original_image = data.coins()  

# 显示原始图像
plt.subplot(1, 2, 1)
plt.imshow(original_image, cmap='gray')
plt.title('Original Image')
plt.axis('off')

# 从图像中提取随机 patches
patches = image.extract_patches_2d(original_image, (32, 32), max_patches=25, random_state=42)

# 显示提取的patches
plt.subplot(1, 2, 2)
for i, patch in enumerate(patches):  
    plt.imshow(patch, cmap='gray', 
               extent=(i%5 * 32, (i%5 + 1) * 32, 
                      (i//5) * 32, (i//5 + 1) * 32))
plt.xlim(0, 5*32)
plt.ylim(5*32, 0)
plt.title('Extracted Patches')
plt.axis('off')

plt.tight_layout()
plt.show()

上面的代码还是比较好理解的，重点介绍两个地方吧：

第一个就是使用data.coins()来调用类库中已经有的硬币图像，当然也可以使用其他方法比如moon方法来查看月球表面的图像，或者加载自己的图片也可以。

第二个就是extract_patches_2d这个方法，它用来提取二维的图像特征，这里我们最多只抽取25个，每个都是32*32像素大小的。

然后我们来看一下展示的效果吧，如下所示：

需要说明的是，原始图像就是左边的图像，右边则是提取出来的25个特征，每行展示5个特征，每列展示5个特征，为了防止部分朋友看不清，我们再来对这个特征部分来个单独的截图看一下：

可以看到，这里提取到的特征大部分是硬币的边缘部分，不过方向和面积各不相同，有的只截取到了一点，有的则截取到了比较多的部分，下面对这两处做了具体的说明：

对于图片的特征提取，我们先介绍到这里吧，通过特征提取，我们可以更加关注到图片的纹理细节，为图片类型的更多应用打下基础。