特征提取部分： 1.纹理特征 （1）自选图片，使用Gabor特征提取； （2）自选图片，基于局部二值模式LBP纹理特征提取； 2.点特征提取 设计一个GUI界面，自选图片或者通过摄像头采集的方式，分别通过harris、shi-tomasi角检测，fast、sift、orb特征点检测，将检测特征点在原图标记，将标记结果显示在GUI界面上。

特征提取是计算机视觉中非常重要的一个部分，它可以从图像中提取出有用的信息，为后续的图像处理、分类、识别等任务提供基础数据。在你所提到的特征提取部分中，包括了纹理特征和点特征两个方面，下面分别进行介绍：

1. 纹理特征

纹理是指图像中的一些重复模式，例如布料、木纹、墙壁等，它们在视觉上具有一定的规律性和连续性。纹理特征提取是在图像中寻找纹理的一些统计规律，通过这些规律来描述纹理的特征。常用的纹理特征提取方法包括Gabor特征和LBP特征。

（1）Gabor特征提取

Gabor滤波器是一种基于人类视觉系统的滤波器，它能够提取图像中的纹理信息。Gabor滤波器可以看作是一个正弦波与高斯函数的乘积，具有一定的方向选择性和尺度选择性。使用Gabor滤波器可以得到一组复数值图像，其中每个像素对应一个Gabor滤波器的响应值。这些响应值可以用来表示图像的纹理信息。具体的提取步骤可以参考以下代码：

import cv2
import numpy as np

# 定义Gabor滤波器参数
ksize = 31  # 滤波器大小
sigma = 5  # 高斯核标准差
theta = 0  # 滤波器方向，0表示水平
lambd = 10  # 波长
gamma = 0.5  # 椭圆度，越小表示滤波器越圆形
psi = 0  # 相位偏移

# 创建Gabor滤波器
kernel = cv2.getGaborKernel((ksize, ksize), sigma, theta, lambd, gamma, psi)

# 加载图像并进行滤波
img = cv2.imread('image.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_gabor = cv2.filter2D(img_gray, cv2.CV_32F, kernel)

# 显示滤波结果
cv2.imshow('Gabor Filter', img_gabor)
cv2.waitKey(0)
cv2.destroyAllWindows()

（2）LBP特征提取

LBP（Local Binary Pattern）是一种局部纹理特征描述符，它能够描述图像中像素点周围的纹理信息。LBP算法的基本思想是将每个像素与其周围的8个像素进行比较，将像素值比中心像素大的设置为1，否则设置为0，然后将这些二进制位组成一个8位二进制数，即为该像素点的LBP值。对于图像中的每个像素都可以计算出其对应的LBP值，从而得到一个LBP图像。LBP特征可以通过直方图统计等方式进行提取。以下是使用OpenCV进行LBP特征提取的示例代码：

import cv2
import numpy as np

# 定义LBP参数
radius = 1  # 半径
n_points = 8 * radius  # 领域像素点数

# 加载图像并进行LBP特征提取
img = cv2.imread('image.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_lbp = cv2.spatialGradient(img_gray, radius, n_points, cv2.SCALING_NON_UNIFORM)

# 计算LBP特征直方图
hist, _ = np.histogram(img_lbp.ravel(), bins=np.arange(0, 256), range=(0, 255))

# 显示LBP特征直方图
plt.bar(np.arange(256), hist)
plt.show()

2. 点特征提取

点特征是指在图像中具有明显区别的关键点，例如角点、边缘点等。点特征提取是在图像中找到这些关键点的算法。常用的点特征提取算法包括Harris、Shi-Tomasi、FAST、SIFT和ORB等。

在GUI界面中实现点特征提取，可以通过OpenCV的GUI工具箱实现。以下是一个使用Harris角检测的示例代码：

import cv2

# 加载图像并进行角检测
img = cv2.imread('image.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_gray = np.float32(img_gray)
dst = cv2.cornerHarris(img_gray, 2, 3, 0.04)

# 标记角点
dst = cv2.dilate(dst, None)
img[dst > 0.01 * dst.max()] = [0, 0, 255]

# 显示结果
cv2.imshow('Harris Corner Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

除了Harris角检测，还可以使用Shi-Tomasi角检测、FAST、SIFT和ORB等算法进行点特征提取。这些算法的具体使用方法可以参考OpenCV官方文档。