Features: von Pixeln zu Vektoren

Logistic Regression, SVM und Random Forest können nichts mit einem Bild anfangen — sie erwarten einen Zahlenvektor fester Länge pro Beispiel. Dieser Schritt entscheidet bei den klassischen Verfahren über Erfolg oder Misserfolg: Das Modell kann nur Muster finden, die in den Features überhaupt noch drinstecken.

Option 1: Flatten — die naive Variante

Einfach alle Pixel hintereinander in einen Vektor schreiben: 256×256×3 = 196.608 Dimensionen. Funktioniert formal, ist aber fast immer eine schlechte Idee: riesig, langsam, und ein um 3 Pixel verschobenes Blatt ergibt einen komplett anderen Vektor.

Option 2: Farb-Histogramme — der PlantVillage-Favorit

Krankheiten verändern vor allem die Farbe: braune Flecken, gelbe Ränder, weißer Belag. Ein Histogramm zählt, wie viele Pixel in welchen Farbbereich fallen — egal wo im Bild sie liegen. Damit ist es robust gegen Verschiebung und Rotation.

import cv2
import numpy as np

def extrahiere_features(pfad, bins=(8, 8, 8)):
    bild = cv2.imread(str(pfad))
    bild = cv2.resize(bild, (128, 128))
    hsv = cv2.cvtColor(bild, cv2.COLOR_BGR2HSV)

    # 3D-Histogramm über Hue, Saturation, Value: 8*8*8 = 512 Werte
    hist = cv2.calcHist([hsv], [0, 1, 2], None, bins,
                        [0, 180, 0, 256, 0, 256])
    hist = cv2.normalize(hist, hist).flatten()
    return hist  # Vektor mit 512 Zahlen, Summe der Quadrate = 1

X_train_feat = np.array([extrahiere_features(p) for p in X_train])
X_test_feat  = np.array([extrahiere_features(p) for p in X_test])
print(X_train_feat.shape)  # (38000, 512)

HSV statt RGB, weil dort der Farbton (Hue) ein eigener Kanal ist — „braun vs. grün“ steckt dann in einer einzigen Dimension statt verschmiert über drei.

Option 3: Textur-Features

Manche Krankheiten ändern weniger die Farbe als die Oberfläche: Mehltau wirkt pudrig, Schorf rau. Dafür gibt es Textur-Deskriptoren wie HOG (Histogram of Oriented Gradients — Kantenrichtungen zählen) oder LBP (Local Binary Patterns — lokale Hell/Dunkel-Muster). In der Praxis kombiniert man oft: Farb-Histogramm + Textur, per np.concatenate zu einem Vektor.

Und das CNN?

Das CNN überspringt diese ganze Lektion: Es bekommt die Pixel roh und lernt in seinen Convolution-Schichten selbst, welche Farb- und Texturmuster relevant sind. Das ist sein fundamentaler Vorteil — und der Grund, warum es mehr Daten und Rechenzeit braucht. Handgebaute Features sind komprimiertes Vorwissen; das CNN muss sich dieses Wissen erst ertrainieren.