下载文档原格式
特征检测和特征描述符综述概述及解释说明1. 引言1.1 概述特征检测和特征描述符是计算机视觉领域中非常重要的技术。
它们在图像识别、物体跟踪、三维重建等应用中起着关键性的作用。
特征检测是指从图像或视频中找到显著的局部结构，如角点、边缘等。
而特征描述符则是将这些特征点转化为数值描述，以便于后续的匹配和识别。
1.2 文章结构本文将对特征检测和特征描述符进行全面综述，主要包括以下几个方面内容：引言、特征检测、特征描述符以及它们之间的关系。
具体来说，我们将首先介绍引言部分，然后详细讨论特征检测和特征描述符的定义、作用以及常见方法。
接着，我们会探讨它们在计算机视觉领域中的应用，并深入研究它们之间的相互依赖关系。
最后，我们将总结文章内容，并展望未来发展趋势。
1.3 目的本文旨在全面了解和掌握特征检测和特征描述符这两个重要技术的概念、原理和应用。
通过对现有算法和方法的综述，我们希望读者能够深入理解特征检测和特征描述符之间的关系，并能够根据具体应用选择合适的方法。
同时，我们也希望通过分析现有技术问题和未来发展方向，为进一步研究提供参考和启示。
2. 特征检测:特征检测是计算机视觉领域的一个重要研究方向，它主要通过分析图像或视频中的局部区域来找到具有显著性或独特性的图像特征。
这些特征通常是物体边缘、角点、斑点等在不同图像之间有稳定性和可区分性的区域。
2.1 特征检测的定义与作用:特征检测旨在识别出具有唯一性和可描述性的局部结构，并对其进行定量描述。
其定义包括两个关键概念：唯一性和可描述性。
唯一性是指每个特征点都应该具有其他任何点所没有的某种属性，使其能够在各个图像帧或场景中被准确地匹配。
可描述性则要求我们能对每个特征进行准确而有效地量化描述，以便于后续的处理和识别任务。
特征检测在计算机视觉中起着至关重要的作用。
首先，它可以用于实现目标识别、跟踪和姿态估计等高级视觉任务。
其次，对于基于内容的图像搜索、相册管理和三维重建等应用，特征检测也是不可或缺的。
医学图像处理中的特征提取方法综述医学图像处理是指利用计算机技术对医学图像进行数字化处理，以提取有用的信息。
在医学图像处理中，特征提取是一个非常重要的环节，它负责将原始图像转化为具有可计算特性的数据，以便于后续步骤的分析和处理。
本文将对当前常用的医学图像处理中的特征提取方法进行综述，并对其优缺点进行简单的评述。
1. 矩阵特征矩阵特征是一种有效的特征提取方法，该方法将多维的医学图像转换为一个矩阵形式，然后利用矩阵的特征值和特征向量进行特征提取。
该方法的优点在于可以提取医学图像中的全局和局部信息，但是在处理高维矩阵时会遇到计算复杂度较高的问题。
2. 灰度共生矩阵特征灰度共生矩阵特征是一种常用的局部特征提取方法，该方法可以提取医学图像中灰度值相邻的像素之间的空间关系。
它的优点在于可以提取到医学图像中的纹理和形状信息，但是在处理过程中会受到噪声的影响，对图像质量的要求较高。
3. 小波变换特征小波变换是一种频率域分解方法，能够将图像转换为频域表示，提取医学图像中的局部特征。
该方法能够更好地处理噪声干扰，具有局部性和多分辨率的优点。
但是，该方法只能提取医学图像中的纹理信息，不能提取其他形状等特征。
4. 傅里叶变换特征傅里叶变换是一种基于频率的分析方法，可以将医学图像转换为频域表示，提取图像中的全局特征。
该方法具有精度高、计算速度快等优点，但是在处理局部特征时表现不佳，很难提取医学图像中的纹理信息。
5. 边缘检测特征边缘检测是一种将医学图像中图像边缘提取出来的方法，该方法可以提取医学图像中的轮廓和形状信息。
边缘检测方法包括Sobel算子、Canny算子、Laplacian算子等，但是在实际应用中会受到噪声干扰的影响。
综上所述，不同的特征提取方法在医学图像处理中具有不同的优缺点。
对于不同的医学图像，需要选择不同的特征提取方法以获取更为准确的特征信息。
同时，多种特征提取方法的综合应用也会提高医学图像处理的效果。
自然图像质量评价方法综述【摘要】自然图像质量评价方法是图像处理领域的重要研究课题。
本文将对自然图像质量评价方法进行综述，主要包括客观评价指标、人类主观评价、无参考图像质量评价方法、基于参考图像的图像质量评价方法以及深度学习在图像质量评价中的应用。
通过对这些方法的综合评估与比较，可以有效地提高图像处理的效率和质量。
在探讨了自然图像质量评价方法综述的重要性，提出了未来研究的方向，并对整个内容进行了总结。
本文旨在为图像处理领域的研究者提供一份全面的参考，促进该领域的发展与进步。
【关键词】自然图像，质量评价，客观评价指标，人类主观评价，无参考图像质量评价，基于参考图像的评价，深度学习，应用，重要性，未来研究方向，总结。
1. 引言1.1 自然图像质量评价方法综述自然图像质量评价方法综述是图像处理领域的一个重要研究方向，它旨在通过一系列客观指标和主观评价方法，对自然图像的质量进行准确评估。
在数字图像处理和计算机视觉领域，图像质量评价是一个关键问题，因为图像质量的好坏直接影响着后续的图像处理和分析结果。
随着科技的进步和应用领域的不断扩大，对图像质量的要求也越来越高。
研究人员提出了各种不同的评价方法，以满足不同场景下的需求。
客观评价指标是一种常用的评价方法，它通过计算图像的各种特征参数来评估图像的质量。
人类主观评价则是一种更贴近人类感知的评价方式，通过人类参与实验来主观评价图像的质量。
无参考图像质量评价方法和基于参考图像的图像质量评价方法也是当前研究的热点。
前者通过分析图像自身的特征来评价质量，而后者则是通过与参考图像进行比较来评估图像的质量。
近年来，深度学习技术的发展也为图像质量评价带来了新的机遇与挑战，许多研究将深度学习应用于图像质量评价中，取得了显著的进展。
自然图像质量评价方法综述对于提高图像处理技术的准确性和实用性具有重要意义。
未来的研究方向包括进一步完善客观评价指标、提高深度学习方法在图像质量评价中的应用效果，以及探索更多针对不同场景的图像质量评价方法。
图像特征提取技术综述图像特征提取技术综述摘要：图像特征提取是计算机视觉领域中的一个重要研究方向。
它的目标是从图像中提取出具有代表性的信息，用于图像分类、目标识别、目标跟踪等应用。
本综述将对常用的图像特征提取技术进行概述，并分析其优劣和适用场景。
一、颜色特征提取技术颜色是图像的重要属性之一，具有信息丰富且易于理解的特点。
常用的颜色特征提取方法有：颜色直方图、颜色矩和颜色共生矩阵。
颜色直方图表示图像中各个颜色的分布情况，可以用来描述图像的整体颜色分布特征。
颜色矩是对颜色分布进行统计的特征，能够表征图像的颜色平均值、离散度等信息。
颜色共生矩阵则可以提取纹理信息，通过统计图像中相邻像素间的灰度值搭配出现频率来描述图像的纹理特征。
二、形状特征提取技术形状是物体的重要特征之一，对于图像分类和目标识别等任务有着重要的作用。
常用的形状特征提取方法有：边缘检测和轮廓提取、形状上下文和尺度不变特征变换（SIFT）。
边缘检测和轮廓提取是将图像中的边缘和轮廓提取出来，可以用来描述物体的形状特征。
形状上下文是描述物体形状的一种方法，它将物体的形状分解为多个小区域，通过计算各个区域之间的相对位置关系来表示形状。
SIFT是一种可旋转、尺度不变的局部特征描述子，通过检测图像中的局部极值点并计算其方向直方图来描述图像的形状特征。
三、纹理特征提取技术纹理是图像中一些重要的结构特征，对于图像分析和识别具有重要的作用。
常用的纹理特征提取方法有：灰度共生矩阵、Gabor滤波器和小波变换。
灰度共生矩阵是一种用来描述纹理特征的统计方法，通过计算图像中相邻像素间灰度搭配出现频率来描述纹理的复杂程度。
Gabor滤波器是一种基于小波变换的滤波器，通过对不同尺度和方向的Gabor滤波器的响应进行统计来描述纹理特征。
小波变换是将图像分解为不同尺度和方向的频域信息，通过计算不同尺度和方向下的能量和相位特征来描述纹理特征。
四、深度学习在图像特征提取中的应用深度学习是近年来兴起的一种机器学习方法，它通过构建多层神经网络来学习图像的特征表示。
数字图像处理技术综述摘要：随着计算机的普及，数字图像处理技术也获得了迅速发展，逐渐走进社会生产生活的各个方面。
本文是对数字图像处理技术的一个总体概述，包括其内涵、优势、主要方法及应用，最后对其发展做了简单的总结。
关键词：数字图像、图像处理技术、处理方法、应用领域Overview of digital image processing technologyAbstract: With the popularization of computer, digital image processing technology also won the rapid development, and gradually go into all aspects of social life and production. This paper is a general overview of the digital image processing technology, including its connotation, advantage, main method and its application. And finally, I do a simple summary of the development.Keywords: digital image, image processing technology, processing method, application field前言：图像处理技术被分为模拟图像处理和数字图像处理两大类。
数字图像处理技术一般都用计算机处理或实时的硬件处理，因此也称之为计算机图像处理[1]。
而时至今日，随着计算机的迅速普及，数字图像处理技术也飞速发展着，因为其用途的多样性，可以被广泛运用于医学、交通、化学等各个领域。
一、数字图像处理技术的概念内涵数字图像处理技术是指将一种图像信号转变为二进制数字信号，经过计算机对而其进行的图像变换、编码压缩、增强和复原以及分割、特征提取等处理，而高精准的还原到显示器的过程[2]。
图像局部特征提取方法综述引言：图像是一种包含丰富信息的视觉表征形式，但如何从图像中提取有助于识别和描述图像内容的局部特征一直是计算机视觉领域的一个重要研究方向。
图像局部特征提取方法的目标是在不受图像整体变化的影响下，提取出能够表征图像局部结构和纹理信息的特征点。
本文将综述目前常用的图像局部特征提取方法，并对其优缺点进行评述。
一、经典的图像局部特征提取方法1. 尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)SIFT是一种经典的图像局部特征提取算法，它通过检测极值点和描述关键区域的局部图像块的梯度分布来提取特征点。
SIFT算法具有旋转、平移和尺度不变性，且对光照变化和噪声有一定的鲁棒性。
然而，SIFT算法在计算时间和计算资源消耗方面存在一定的局限性。
2. 尺度空间极值法(Scale-Space Extrema, DoG)DoG是尺度空间极值法的一种实现方式，通过在不同尺度下对图像进行高斯平滑和差分运算，从而检测出具有较大尺度极值的特征点。
DoG算法具有尺度不变性，并且对图像的旋转、平移和仿射变换具有一定的鲁棒性。
然而，DoG算法在计算速度和尺度空间选择方面存在一些问题。
3. 快速特征检测(Fast Feature Detector, FAST)FAST算法是一种基于像素值比较的简单快速特征检测算法，它通过比较像素点和周围邻域像素点的灰度值大小来检测图像中的角点特征。
FAST算法具有快速检测速度和低计算复杂度的优点，适用于实时应用。
然而，FAST算法对旋转、尺度和光照变化较为敏感。
4. 加速稳健特征(Accelerated Robust Features, SURF)SURF算法是基于Hessian矩阵的加速稳健特征提取算法，它通过检测图像中的兴趣点、计算兴趣点的主方向和提取描述子来提取特征点。
SURF算法具有较快的计算速度和较好的尺度不变性。
然而，SURF算法在处理图像模糊和噪声方面相对较弱。
图像识别是计算机视觉领域的重要研究方向，其目标是让计算机能够像人类一样理解和识别图像。
在图像识别中，特征提取是其中的核心环节，其主要任务是从图像中提取出能够代表物体形状、纹理、颜色等特征的信息。
本文将综述图像识别中的特征提取方法，涵盖传统方法和深度学习方法两个方面。
一、传统方法1.颜色特征提取颜色在图像中包含丰富的信息，是图像识别中常用的特征之一。
常见的颜色特征提取方法包括颜色直方图、颜色矩、颜色共生矩阵等。
颜色直方图将图像的颜色分布转化为直方图的形式，可以捕捉到颜色的整体分布情况。
颜色矩则通过对颜色分布的统计来描述图像的整体特征。
颜色共生矩阵则利用颜色在图像中的空间分布特性，计算不同位置像素间颜色的共现概率。
2.纹理特征提取纹理是图像中的细微变化，可以用来区分不同的物体或者场景。
纹理特征提取的方法有很多种，包括灰度共生矩阵、纹理能量、小波变换等。
灰度共生矩阵通过统计不同位置像素间灰度值的概率分布来描述图像的纹理特征。
纹理能量则利用图像的局部灰度差异来计算纹理特征。
小波变换则将图像分解到不同尺度和方向上，提取出不同频率的纹理特征。
3.形状特征提取形状特征是描述物体轮廓和边缘信息的重要手段，可以用来识别不同形状的物体。
形状特征提取的方法有很多种，包括边缘检测、边缘链码、形状上下文等。
边缘检测通过寻找图像中的强度变化来提取物体的轮廓信息。
边缘链码则将物体的轮廓表示为一个有序的点序列。
形状上下文则通过统计物体轮廓点与参考点之间的相对位置来描述物体的形状特征。
二、深度学习方法随着深度学习的兴起，深度神经网络在图像识别中取得了很大的进展。
深度学习方法能够自动学习图像中的特征表示，不再依赖手工设计的特征提取算法。
深度学习方法的特征提取主要通过卷积神经网络（CNN）实现。
基本原理CNN是一种前馈神经网络，其主要特点是通过卷积层和池化层进行特征提取，并通过全连接层进行分类。
卷积层通过卷积运算在局部感受野上提取特征，利用权值共享的机制减少模型参数，提高计算效率。
图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。
输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。
提取特征的方法千差万别，下面是图像特征的一些特性：边缘边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。
边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。
角顾名思义，有个突然较大的弧度。
早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。
后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。
但会出现没有角的地方也检测到角的存在。
区域区域性的结构，很多区域检测用来检测角。
区域检测可以看作是图像缩小后的角检测。
脊长形的物体，例如道路、血管。
脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。
特征提取检测到特征后提取出来，表示成特征描述或者特征向量。
常用的图像特征：颜色特征、纹理特征形状特征空间关系特征。
1.颜色特征1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。
优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。
缺点：不能表达颜色空间分布的信息。
1.2特征提取与匹配方法（1）颜色直方图适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。
匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。
对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。
常见的直方图有两种：统计直方图，累积直方图。
我们将分别实验两种直方图在图像聚类和检索中的性能。
统计直方图为利用图像的特征描述图像，可借助特征的统计直方图。
图像特征的统计直方图实际是一个1-D的离散函数，即：上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。
累积直方图图像特征统计的累积直方图也是一个1-D的离散函数，即：上式的各个参数含义同前，与上图对应的累积直方图见下：直方图间的距离可使用一般的欧式距离函数来衡量：我们可以实验多种相似性度量准则，研究它们之间的差异，找出对于某类图像，那种相似性度量能更加准确的描述两幅图像之间的相似程度。
（2）颜色集近似于颜色直方图。
将RGB颜色空间转换为视觉均衡的颜色空间（如HSV空间）将空间量化成若干个bin。
将图像分为若干区域，每个区域用颜色空间的某个颜色分量来索引，从而将图像表达为二进制的颜色索引集。
匹配方法：距离法和色彩区域的空间关系。
（3）颜色矩数学基础：任何颜色分布可以用矩来表示。
由于颜色分布主要在低阶矩，一般用一阶矩（均值）、二阶矩（方差）和三阶矩（偏度：skewness）表示颜色分布。
（4）颜色聚合向量核心思想：将属于直方图的每一个bin的像素分成两部分，如果bin内的某些像素的连续面积大于给定阈值，则为聚合像素，否则为非聚合像素。
（5）颜色相关图如果用颜色直方图匹配的方法进行图像匹配，在这种情况下：不同的图片直方图分部也是一致的，采用直方图匹配的方法则没有效果。
对于直方图这种简单的统计方法，这种情况的存在不可避免。
2.纹理特征2.1特点：纹理特征也是全局特征，描述图像的表面性质。
纹理特征不是像素点的特征，而是区域进行统计的结果。
适用于检索粗细有较大差别的纹理图像。
优点：具有旋转不变性，对噪声有较强抵抗能力。
缺点：分辨率变化纹理偏差大，受光照、反射的影响。
2.2特征提取与匹配方法（1）统计法常用的是灰度共生矩阵分析方法，四个关键特征：能量、惯量、熵和相关性。
另一个典型方法是自相关函数（图像的能量谱函数），通过计算图像的能量谱函数，提取纹理的粗细和方向等。
Tamura 纹理特征基于灰度共生矩阵，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。
（2）几何法建立在基本的纹理元素上的方法。
但由于图像分割困难，不太常用。
比较有影响的算法有：Voronio棋盘格特征法和结构法。
（3）模型法以图像的构造模型为基础，模型的参数作为纹理特征。
即将图像表示成一个分布，典型方法是随机场模型法，如马尔科夫随机场模型（MRF）和Gibbs随机场模型法。
自回归纹理模型（SAR）是马尔科夫随机场模型的一种应用实例。
（4）信号处理法将图像表示成信号，然后根据信号进行处理和匹配。
3.形状特征3.1特点：基于形状的检索方法可以比较有效利用图像中感兴趣的目标进行检索。
缺点：①基于形状的检索方法还缺乏比较完善的数学模型；②目标变形结果不可靠；③对计算时间和存储有较高要求；④特征空间的相似性和人感受到的相似性有差别；⑤2D图像是3D物体在某个平面的投影，由于视点变化，2D图像反应的形状通常不是3D物体的真实形状。
3.2特征提取与匹配方法形状特征有两类表示方法：一类是轮廓特征，另一类是区域特征。
（1）边界特征法经典方法：Hough变换和边界方向直方图。
Hough变换是利用全局特性将边缘像素连接起来组成区域封闭边界的方法，基本思想是点—线对偶性；边界方向直方图是微分图像得到边缘，然后得到边缘大小和方向的直方图，构造图像灰度梯度方向矩阵（2）傅里叶形状描述符法傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。
由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。
（3）几何参数法是一直区域特征的方法，如可以采用形状度量（如矩、面积、周长等），在基于内容的检索系统中，利用圆度、偏心率、主轴方向和代数不变矩等参数，进行图像检索。
依赖于图像分割。
（4）形状不变矩是一直区域特征的方法，利用目标区域的矩作为形状参数。
依赖于图像分割。
（5）其他在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或FEM）、旋转函数（Turning ）和小波描述符（Wavelet Deor）等方法。
小波和相对矩的结合：用小波变换模极大值得到多尺度边缘图像，对每一尺度计算7个不变矩，再转换为10个相对矩，将所有尺度的相对矩作为特征向量。
4.空间关系特征4.1特点：指分割出来的多个目标间的相互位置关系，分为连接、交叠和包含关系等。
空间信息分为两类：相对空间位置信息和绝对空间位置信息。
前一种强调目标之间的相对情况，如上下左右；后一种强调目标间的距离和方位。
由绝对可以推出相对，但相对信息比较简单。
优点：可加强图像的描述区分能力缺点：对旋转、尺度变换敏感，实际应用中除了空间关系特征，还需要其他特征配合。
4.2特征提取与匹配方法空间关系特征有两类表示方法：一类是图像自动分割划分区域，根据区域提取特征建立索引；另一类是均匀划分若干子块，根据区域提取特征建立索引。
从另一个角度来看，特征提取的主要目的是降维。
特征抽取的主要思想是将原始样本投影到一个低维特征空间，得到最能反应样本本质或进行样本区分的低维样本特征。
一般图像特征可以分为四类：直观性特征、灰度统计特征、变换系数特征与代数特征。
1.直观性特征主要是指几何特征。
优点：几何特征比较稳定，受人脸姿态和光照影响小。
缺点：不易抽取，测量精度不高，与图像处理技术密切相关。
2.代数特征基于统计学习抽取的特征。
分为两类：一类是线性投影特征抽取；另一类是非线性特征抽取。
优点：具有较高的识别精度。
2.1线性投影特征抽取基本思想是根据性能目标寻找线性变换，使原始数据压缩到低维空间。
包括主成分分析（PCA）和Fisher线性鉴别分析（LDA）。
围绕这两种方法形成的特征抽取算法，已成为模式识别领域中最为经典和广泛使用的方法。
优点：这样数据分布更加紧凑，同时计算复杂度大大降低。
缺点：需要对大量已有样本进行学习，对定位、光照和非线性变形敏感，采样条件对识别性能影响较大。
2.2非线性特征提取非线性特征提取也是研究热点之一，“核技巧”最早应用在SVM中，KPCA和KFA是核技巧的推广应用。
核投影方法的基本思想是将原样本空间通过非线性映射，变换到高维甚至是无穷维空间，再应用线性分析方法求解，新空间的线性分析对应原空间的非线性分析。
缺点：①几何意义不明确，无法知道样本在映射后变成什么分布；②核函数的参数选取没有标准，大多数只能采取经验参数；③不适合训练样本很多，原因是经过核映射后，样本的维度与训练样本的个数成正比，样本数量多核映射后的向量维数很高，计算量大。
2.3对比就应用领域，KPCA远没有PCA应用广泛。
作为一般性的降维KPCA比PCA效果好，尤其是特征空间不是欧式空间。
PCA可以通过大量自然图片学习一个子空间，但KPCA不行。
3.变换系数特征先对图像进行Fourier变换、小波变换等，得到的系数后作为特征进行识别。
局部图像特征描述的核心问题是不变性（鲁棒性）和可区分性。
由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。
因此，在构建/设计特征描述子的时候，不变性问题就是首先需要考虑的问题。
在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。
然而，特征描述子的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特征描述子，它的鲁棒性往往比较低。
举个例子，假定我们需要对一个点周围固定大小的局部图像内容进行描述。
如果我们直接将图像内容展开成一个列向量对其进行描述，那么只要局部图像内容发生了一点变化，就会使得它的特征描述子发生较大的变化，因此这样的特征描述方式很容易区分不同的局部图像内容，但是对于相同的局部图像内容发生旋转变化等情况，它同样会产生很大的差异，即不变性弱。
而另一方面，如果我们通过统计局部图像灰度直方图来进行特征描述，这种描述方式具有较强的不变性，对于局部图像内容发生旋转变化等情况比较鲁棒，但是区分能力较弱，例如无法区分两个灰度直方图相同但内容不同的局部图像块。
综上所述，一个优秀的特征描述子不仅应该具有很强不变性，还应该具有很强的可区分性。
在诸多的局部图像特征描述子中，SIFT（Scale Invariant Feature Transform）是其中应用最广的，它在1999年首次提出，至2004年得到完善。
SIFT的提出也是局部图像特征描述子研究领域一项里程碑式的工作。
由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，自它提出以来，很快在物体识别、宽基线图像匹配、三维重建、图像检索中得到了应用，局部图像特征描述子在计算机视觉领域内也得到了更加广泛的关注，涌现了一大批各具特色的局部图像特征描述子。
