八邻域元素的设计特征矩阵是用来描述八邻域元素在图像处理中的特征的一种方法。下面给出一个包含代码示例的解决方法。

在代码示例中，我们使用Python语言来实现。

import numpy as np

def eight_neighborhood_feature(image):
    # 获取图像尺寸
    height, width = image.shape

    # 创建特征矩阵
    feature_matrix = np.zeros((height, width, 8))

    # 遍历图像像素
    for i in range(height):
        for j in range(width):
            # 获取八邻域像素值
            neighbors = []
            for dx in range(-1, 2):
                for dy in range(-1, 2):
                    if dx != 0 and dy != 0:
                        x = i + dx
                        y = j + dy
                        if x >= 0 and x < height and y >= 0 and y < width:
                            neighbors.append(image[x, y])

            # 计算特征值
            mean = np.mean(neighbors)
            std = np.std(neighbors)
            median = np.median(neighbors)
            max_val = np.max(neighbors)
            min_val = np.min(neighbors)
            range_val = max_val - min_val
            skewness = np.mean((neighbors - mean) ** 3) / (std ** 3)
            kurtosis = np.mean((neighbors - mean) ** 4) / (std ** 4)

            # 将特征值存入特征矩阵
            feature_matrix[i, j] = [mean, std, median, max_val, min_val, range_val, skewness, kurtosis]

    return feature_matrix

在上面的代码中，我们首先定义了一个函数eight_neighborhood_feature，该函数接收一个图像作为输入，并返回一个与输入图像大小相同的特征矩阵。

然后，我们遍历图像中的每个像素，并获取八邻域的像素值。接下来，我们计算八邻域像素值的平均值、标准差、中值、最大值、最小值、范围、偏度和峰度等特征值，并将其存入特征矩阵中的相应位置。

最后，我们返回特征矩阵作为结果。

使用这个代码示例，你可以根据实际需求来提取图像中每个像素的八邻域元素的设计特征矩阵。