图像特征提取是后续分类、预测等任务的基础，请使用第三方工具包中的特征提取函数，分别提取图像的LBP特征、HOG特征，并可视化输出原始图像和提取的特征图像。

图像特征提取是计算机视觉领域的重要步骤，它有助于机器理解图片内容并用于后续的分析。使用Python中的第三方库，如`scikit-image`和`OpenCV`，我们可以方便地完成这一过程。

首先，让我们导入所需的库：

import cv2
from skimage.feature import local_binary_pattern as lbp
from skimage.feature import hog
import matplotlib.pyplot as plt

1. **Local Binary Patterns (LBP)特征提取**：
LBP是一种简单而有效的纹理描述符，计算每个像素周围的灰度值并生成二进制码。我们可以通过以下代码提取LBP特征：

def extract_lbp(image_path):
    img = cv2.imread(image_path, 0)
    lbp_descriptor = lbp(img, method='uniform', radius=3, n_points=8)
    return lbp_descriptor

# 加载一张图片
image = cv2.imread('your_image.jpg')
lbp_features = extract_lbp(image)

# 可视化LBP特征图
plt.figure(figsize=(10,5))
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.hist(lbp_features.ravel(), bins=256, range=(0, 256), rwidth=0.8)
plt.title('LBP Histogram')
plt.show()

2. **Histogram of Oriented Gradients (HOG)特征提取**：
HOG则是通过统计局部梯度的方向分布来量化图像的纹理特性。以下是HOG特征提取的代码：

def extract_hog(image_path, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(3, 3)):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    hog_descriptor = hog(img, orientations=orientations, pixels_per_cell=pixels_per_cell,
                         cells_per_block=cells_per_block, block_norm='L2-Hys')
    return hog_descriptor

hog_features = extract_hog('your_image.jpg')

# HOG特征可视化通常不直接显示，因为它是一个高维向量，通常会使用直方图或其他方法展示其累计分布。

注意替换 `'your_image.jpg'` 为你要处理的实际图像路径。最后的两部分代码展示了如何绘制LBP特征直方图以及HOG特征的累积分布，实际可视化可能会有所不同。