下载文档原格式
图像特征提取方法详解图像特征提取是计算机视觉和图像处理领域中的一个重要任务，它是对图像中的信息进行分析和提取，以便进行后续的图像识别、分类和分析。
在图像处理和计算机视觉应用中，图像特征提取是至关重要的一步，因为它直接影响了后续处理的结果。
一、图像特征的概念图像特征是指图像中能够表征其内容和结构的可测量属性。
常见的图像特征包括颜色、纹理、形状、边缘等。
这些特征可以帮助我们理解图像的含义，区分不同的物体、场景和结构。
二、图像特征提取的方法1. 颜色特征提取颜色是图像中最直观和重要的特征之一。
常用的颜色特征提取方法包括直方图统计、颜色矩和颜色空间转换。
直方图统计是通过统计图像中每种颜色出现的频率来提取颜色特征，它可以帮助我们了解图像中的主要颜色分布。
颜色矩是一种用于描述颜色分布和颜色相关性的方法，它可以帮助我们定量地比较不同图像之间的颜色特征。
颜色空间转换则是将图像的RGB颜色空间转换为其他颜色空间（如HSV、Lab等），以便更好地提取颜色特征。
2. 纹理特征提取纹理是图像中的重要特征之一，它可以帮助我们理解图像中的细节和结构。
常见的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式。
灰度共生矩阵是一种用于描述图像纹理结构的统计方法，它可以帮助我们了解图像中不同区域的纹理分布。
小波变换是一种多尺度分析方法，它可以帮助我们提取图像中不同尺度和方向的纹理特征。
局部二值模式是一种用于描述图像局部纹理特征的方法，它可以帮助我们快速提取图像中的纹理信息。
3. 形状特征提取形状是图像中的重要特征之一，它可以帮助我们理解图像中的对象和结构。
常见的形状特征提取方法包括边缘检测、轮廓提取和形状描述子。
边缘检测是一种用于提取图像中边缘信息的方法，它可以帮助我们理解图像中的对象轮廓和结构。
轮廓提取是一种用于提取图像中对象轮廓信息的方法，它可以帮助我们理解图像中的对象形状和结构。
形状描述子是一种用于描述图像对象形状特征的方法，它可以帮助我们快速提取图像中的形状信息。
摘要本论文结合无人机跟踪识别地面目标的课题，开展图像目标描述子的研究，针对无人机机载图像设备识别、跟踪地面目标的实际需求，研究由于无人机的三维姿态运动和质心运动引起的目标图像平移、旋转、缩放等对目标自动识别效果的影响。
论文的主要研究内容如下：首先，针对无人机的飞行姿态变化引起的目标物在图像中的几何变化，提出课题的识别要求，并根据识别要求建立仿真图像库。
选取具有代表性的全局目标描述子，分别为不变矩描述子和协方差描述子，通过仿真对算法的有效性进行评价。
仿真结果表明：不变矩描述子和协方差描述子不能够满足论文中提出的识别准确度要求。
其次，对离散状态下的Hu不变矩描述子进行改进。
从不变矩的物理意义、构造原理出发，保留离散状态下的6个不变矩中稳定性较好的3个矩，对其余随着目标几何变化波动区间超出置信区间范围的矩进行平方运算，得到一组新的M不变矩。
仿真结果表明，在图像目标做一系列几何变化时，M不变矩性能优于离散状态下的Hu 不变矩。
最后，对协方差描述子进行改进。
针对原始协方差描述子在目标发生尺度变化时，识别准确度无法满足要求的问题，在协方差描述子的特征向量中加入图像目标的边缘特征，同时去掉一阶偏导向量，构造出新的8维协方差描述子。
仿真结果表明，结合边缘特征的协方差描述子在目标尺度放大为基准图像200%，旋转角度为45度时，仍能满足识别准确度的要求。
关键词：目标识别；目标描述子；不变矩；协方差AbstractThis paper focuses on the study of target descriptors of the image, in order to keep accurate when translation, rotation and scale change happens to the targets during Auto Target Recognition (ATR) of the UA V. The main achievements are as follows: First of all, the recognition requests are brought up and on the basis of which established the targets geometric changes imagery library. Hu Invariant moments descriptor and region covariance descriptor are chose to be evaluated. Simulations based on the image library show that invariant moment and region covariance descriptors could not meet the recognition request.Secondly, Hu invariant moments under the discrete state are improved. The advanced algorithm, M invariant moment, replaces three moments which are sensitive to the geometric changes with their square. At the same time, the other three are kept and compose M moments with the new ones. Simulations based on images from image library show that M moments have a better invariance than the Hu moments.Thirdly, region covariance descriptor is improved. Edge feature has been combined to the feature vectors of covariance matrix, and the first-order derivatives are moved because of their sensitive to scale changes. Simulations of this new 8-dimensional descriptor show that it has a better performance when the target had geometric changes. The advanced descriptor could recognize accurately when target has been enlarged to 200% or rotated within 45 degrees.Key Words: Object Recognition; Target Descriptors; Invariant Moment; Region Covariance目录第1章 绪论 (1)1.1 本论文研究的目的和意义 (1)1.2无人机目标识别的研究现状 (1)1.3 目标描述子研究现状及发展趋势 (3)1.2.1 局部目标描述子的研究现状 (4)1.2.2 全局目标描述子的研究现状 (6)1.4 目标描述子用于无人机目标识别的现状 (8)1.5 论文的主要研究内容 (9)第2章 典型目标描述子算法及仿真 (11)2.1 目标识别指标要求 (11)2.2 算法性能评价方法 (11)2.3 Hu不变矩描述子算法及仿真 (14)2.3.1 矩的物理意义及Hu不变矩 (14)2.3.2 Hu不变矩的仿真实验 (16)2.4协方差描述子算法及仿真 (22)2.4.1 区域协方差法原理 (22)2.4.2 协方差描述子的仿真实验 (23)2.5 本章小结 (30)第3章 不变矩描述子的改进 (31)3.1 离散状态下的不变矩 (31)3.2 不变矩描述子的改进 (37)3.3 本章小结 (42)第4章 协方差描述子的改进 (43)4.1 Canny边缘检测算子 (43)4.2 改进的区域协方差描述子及仿真 (45)4.3视频图像仿真 (53)4.4 本章小结 (62)结论 (63)参考文献 (64)致谢 (67)第1章绪论1.1 本论文研究的目的和意义图像目标描述子通常指表征图像特征的一系列符号，描述子在尽可能区别不同目标的基础上对目标的几何变化不敏感，因此图像目标描述子对于能否准确从图像序列中检测出运动信息、识别并跟踪目标十分关键[1]。
常用的特征描绘子特征描绘子是计算机视觉领域中常用的一种技术，用于描述和表示图像的特征。
这些特征可以用来比较、分类和检索图像。
下面是常用的特征描绘子：1.颜色特征：颜色是图像中最基本的特征之一、通过提取图像中的颜色分布，可以获得颜色直方图、颜色矩等特征。
常用的颜色特征描绘子有RGB颜色直方图、HSV颜色直方图等。
2.纹理特征：纹理是图像中反映物体表面特征的一种性质。
通过提取图像中的纹理信息，可以得到纹理特征。
常用的纹理特征描绘子有灰度共生矩阵(GLCM)、局部二值模式(LBP)等。
3. 形状特征：形状是物体在二维平面上的轮廓。
通过提取图像中物体的形状信息，可以得到形状特征。
常用的形状特征描绘子有边界描述子、Hough变换等。
4. 边缘特征：边缘是图像中灰度变化剧烈的地方。
通过提取图像中的边缘信息，可以得到边缘特征。
常用的边缘特征描绘子有Canny边缘检测、Sobel算子等。
5.尺度不变特征变换(SIFT)：SIFT是一种基于尺度空间和局部特征的描绘子。
它通过在图像中检测关键点，并计算关键点周围的局部特征，得到具有尺度不变性的特征描绘子。
6.方向梯度直方图(HOG)：HOG是一种用于目标检测和行人识别的特征描绘子。
它通过计算图像中像素的梯度方向，得到具有方向特征的直方图。
7.深度学习特征：深度学习是一种基于神经网络的机器学习方法，可以从原始图像中学习到高级的特征表示。
常用的深度学习特征描绘子有卷积神经网络(CNN)的卷积层输出、预训练模型中的特征等。
这些特征描绘子都具有不同的特点和适用范围，可以根据具体的应用场景选择合适的特征描绘子进行图像处理和分析。
特征描绘子在图像检索、目标识别、行人跟踪等领域都有广泛的应用。
随着计算机视觉和深度学习的发展，特征描绘子的研究和应用将会得到进一步的扩展和深化。
局部二值模式方法研究与展望一、本文概述局部二值模式（Local Binary Patterns，LBP）是一种在计算机视觉和图像处理领域广泛应用的局部纹理特征描述子。
自从1994年由T. Ojala, M. Pietikäinen, 和 D. Harwood首次提出以来，LBP 因其计算简单、对光照变化和旋转具有鲁棒性等优点，在人脸识别、动态纹理识别、图像分类等许多领域取得了显著的成效。
本文旨在深入研究和探讨局部二值模式方法的基本原理、发展历程、应用领域以及未来可能的发展趋势。
本文将回顾LBP方法的基本概念和计算过程，阐述其在不同应用场景下的优势与挑战。
我们将详细介绍LBP方法的各种变体，包括旋转不变LBP、均匀LBP等价模式LBP等，以及它们在处理复杂纹理和动态图像时的性能表现。
本文还将探讨LBP方法在深度学习框架下的应用，如卷积神经网络（CNN）中的LBP纹理层，以及如何在保持计算效率的同时提升特征表达能力。
本文将展望LBP方法在未来的发展趋势。
随着计算机视觉技术的不断进步，尤其是在大数据、云计算和等领域的快速发展，LBP方法有望在更多领域发挥重要作用。
我们将关注LBP方法在计算效率、特征表示能力、鲁棒性等方面的进一步提升，以及在新兴应用领域如无人驾驶、智能监控等中的潜在价值。
二、LBP方法的基本原理与发展历程局部二值模式（Local Binary Patterns，LBP）是一种在计算机视觉和图像处理领域广泛应用的纹理描述算子。
其基本原理基于图像的局部纹理信息，通过比较中心像素与其邻域像素的灰度值来生成一个二进制数，以此作为该局部区域的纹理描述。
LBP方法的发展历程经历了从基础概念的提出，到各种改进和扩展算法的涌现，以及在多种计算机视觉任务中的成功应用。
LBP方法的核心思想是比较图像中每个像素与其邻域像素的灰度值。
对于一个给定的中心像素，其LBP值是通过将其与周围像素的灰度值进行比较并生成一个二进制数来计算的。
医学影像分析中的图像配准方法综述医学影像分析是指利用图像处理、模式识别和机器学习等计算方法对医学影像进行分析和处理，以获取相关的解剖、功能和病理信息。
而图像配准是医学影像分析的一个重要环节，它指的是将不同模态或不同时间点获取的医学影像图像进行准确的对齐，以便在后续分析和研究中提供更可靠的结果。
医学影像配准方法的目标是将不同的图像进行对齐，使得它们在空间和几何上相互吻合。
这样做的优点是提高了医学影像分析的准确性和可信度，同时也为临床医生和研究人员提供了更全面的信息，以便更好地诊断疾病、研究病变发展和评估治疗效果。
医学影像配准方法可以分为刚性配准和非刚性配准两大类。
刚性配准（Rigid Registration）是指通过旋转、平移和缩放等刚性变换使得图像彼此对齐。
刚性配准适用于同一器官的不同扫描或同一时间点的不同斜视图像等情况。
它的优点是计算快速、操作简单，但局限性在于无法处理组织形变引起的图像变化。
而非刚性配准（Non-rigid Registration）克服了刚性配准的局限性，它可以处理器官形变、组织变形以及疾病进展引起的图像差异。
非刚性配准算法基于局部区域的相似性进行配准，并对图像进行局部形变模型的建立，常见的方法有弹性体变形（Elastic Deformation）、三维网格配准（3D Mesh Registration）和基于特征的配准（Feature-based Registration）等。
在医学影像配准中，常用的方法有基于互信息（Mutual Information）的配准、基于特征点匹配的配准和基于局部图像特征的配准等。
基于互信息的配准算法是一种无需事先标记特征点的配准方法，它通过最大化目标图像和参考图像之间的互信息量来完成图像的配准。
互信息测量的是两个图像之间的统计相关性，由于它不受图像灰度变化和噪声的影响，因此被广泛应用于医学影像配准领域，尤其适用于多模态影像的配准。
基于特征点匹配的配准算法是一种通过识别图像中的关键特征点，并对其进行匹配和对齐的方法。
常用的特征描绘子在计算机视觉和图像处理领域，特征描绘子是用于描述图像中的特定属性或纹理信息的数学表示。
特征描绘子对于图像匹配、对象识别和图像检索等任务非常重要。
下面将介绍一些常用的特征描绘子。
1.SIFT（尺度不变特征变换）：SIFT是一种用于在不同尺度上检测和描述局部特征的算法。
它通过应用高斯滤波器来寻找具有高灵敏度的关键点，并使用关键点周围的局部图像区域来构建描述子。
SIFT特征具有尺度不变性和旋转不变性，因此在大规模图像检索和对象识别中广泛应用。
2. SURF（加速稳健特征）：SURF是一种基于Hessian矩阵的局部特征描述子。
它通过计算图像中的灰度变化率来检测特征点，并构建了一种基于梯度直方图的描述子。
SURF特征具有尺度不变性、旋转不变性和光照不变性，且计算速度比SIFT更快，因此适用于实时图像处理任务。
3.ORB（方向鲁棒特征）：ORB是一种结合了FAST角点检测器和BRIEF特征描述子的特征描绘子。
它通过检测图像中的角点，并使用二进制描述子来描述这些角点的特征。
ORB特征具有尺度不变性、旋转不变性和仿射不变性，且计算速度比SIFT和SURF都更快，因此适用于实时图像处理应用。
4.HOG（方向梯度直方图）：HOG是一种用于物体检测和人体姿态估计的特征描述子。
它通过计算图像中局部区域的梯度直方图来描述图像的形状和纹理信息。
HOG特征在人体检测和行人识别等任务中表现出色，并且对于图像的尺度和旋转变化具有一定的鲁棒性。
5.LBP（局部二值模式）：LBP是一种用于纹理分析和表情识别的特征描述子。
它通过将局部图像区域与其周围像素比较，并将比较结果编码为二进制数来描述纹理特征。
LBP特征在纹理分类和人脸识别等任务中表现出色，并且对于光照变化和噪声干扰具有一定的鲁棒性。
除了上述特征描绘子，还有许多其他的常用特征描绘子，如GIST（总体图像特征）、BRISK（加速旋转不变特征）、FREAK（快速稳定特征）等。
Matlab中的图像特征描述和显著性分析方法近年来，随着计算机视觉和图像处理的迅速发展，图像特征描述和显著性分析已经成为研究的热点之一。
在图像处理的领域中，特征描述和显著性分析技术被广泛应用于图像检索、目标跟踪、图像拼接等应用中。
而Matlab作为一个功能强大的数学软件，提供了丰富的图像处理工具箱以及算法库，使得图像特征描述和显著性分析方法的实现和应用变得更加简单高效。
一、图像特征描述方法图像特征描述是指通过提取图像中的特定信息，将原始图像转化为一组具有独特性质的向量或者描述符。
常见的图像特征描述方法包括颜色特征描述、纹理特征描述和形状特征描述等。
1. 颜色特征描述：颜色是图像中最重要的特征之一，它可以通过颜色直方图、颜色矩、颜色共生矩阵等方式进行描述。
在Matlab中，可以利用imhist函数计算颜色直方图，或者使用color moments函数计算颜色矩。
2. 纹理特征描述：纹理是指图像中的细节和结构，描述图像纹理特征的方法有灰度共生矩阵、Gabor滤波器等。
在Matlab中，可以使用graycomatrix函数计算灰度共生矩阵，或者利用gabor函数进行Gabor滤波器变换。
3. 形状特征描述：形状是指物体的外部轮廓和结构，常用的形状特征描述方法有边缘直方图、轮廓矩和Hu不变矩等。
在Matlab中，可以利用edge函数计算边缘，或者使用regionprops函数计算轮廓矩和Hu不变矩。
二、显著性分析方法显著性分析是指在图像中找出与周围环境明显不同的对象或者区域，用于引起观察者的注意。
显著性分析方法可以分为基于全局信息和基于局部信息两类。
1. 基于全局信息的显著性分析方法：这类方法主要是从整幅图像的角度出发，通过计算图像的对比度、颜色分布以及结构特征等来确定图像中显著的区域。
在Matlab中，可以使用imcontrast函数进行图像的对比度增强，或者通过计算颜色直方图和纹理特征来实现。
2. 基于局部信息的显著性分析方法：这类方法主要是从局部区域的角度出发，通过计算图像的边缘、纹理、颜色等局部特征来确定显著的区域。
常见的特征描述子及其原理特征描述子是计算机视觉中用于描述图像中特征的算法。
它们通过对图像中的特征进行数学表示，将复杂的图像信息转化为一组具有独特性质的特征向量。
这些描述子可以帮助我们识别和匹配图像中的对象、检测变化或运动等。
以下是几种常见的特征描述子及其原理：1.尺度不变特征变换(SIFT)描述子：SIFT是一种在计算机视觉领域非常著名的特征描述子。
它通过检测图像中的极值点和关键点，然后使用高斯金字塔来对图像进行尺度空间的变换，最后根据图像局部梯度方向来计算描述子。
SIFT描述子具有尺度不变性、旋转不变性和光照不变性等特性，适用于目标识别、图像匹配和物体跟踪等应用。
2.加速稳健特征(ORB)描述子：ORB是一种结合了FAST特征检测器和BRIEF特征描述子的算法。
它通过检测图像中的角点来确定关键点，然后根据这些关键点的灰度信息计算描述子。
ORB描述子具有高速性能和良好的鲁棒性，适用于实时目标追踪、三维重建和SLAM（同时定位与地图构建）等应用。
3.方向梯度直方图(HOG)描述子：HOG是一种用于图像检测的特征描述子。
它通过计算图像中局部区域的梯度方向直方图来描述图像特征。
HOG描述子在人体检测、行人识别和行为分析等领域具有广泛应用。
4.高级二进制特征(ABD)描述子：ABD是一种基于局部二进制模式(Local Binary Patterns, LBP)的特征描述子。
它通过计算图像中每个像素与其周围像素的灰度差异，得到二进制编码，然后将编码的直方图作为图像的特征向量。
ABD描述子适用于人脸识别、纹理分类和图像检索等任务。
5.非负矩阵分解(NMF)描述子：NMF是一种基于矩阵分解的特征提取方法。
它通过将图像表示为非负矩阵的乘积形式，将图像特征分解到低维空间中。
NMF描述子可用于图像聚类、图像压缩和图像检索等任务。
综上所述，特征描述子在计算机视觉中发挥着重要作用。
不同的特征描述子适用于不同的应用场景，选择合适的描述子能够提高图像处理的效果和性能。
图像特征点描述子综述作者：宋俊芳闻江来源：《中小企业管理与科技·下旬刊》2016年第07期摘要：局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。
本文简要介绍在机器视觉发展过程中常用的图像特征点描述子，并展示各特征描述子在同一图片中的检测结果，分析它们的特点及优缺点。
关键词：计算机视觉；特征点描述子；检测结果中图分类号： TP391.4 文献标识码： A 文章编号： 1673-1069（2016）21-158-20 引言图像特征点描述子是很多实际应用的基础，在多幅图像的配准利用多幅二维图像进行三维重建、恢复场景三维结构，这些应用在建立图像之间点与点之间的对应关系通常都依赖于一个优秀的局部图像特征点描述子。
尤其是近年来对复杂场景冲目标跟踪的应用中，基于目标图像特征点的跟踪能够有效解决目标被遮挡、形变等比较复杂的情况，受到越来越多研究者的关注。
1 第一类图像特征点描述子1.1 SIFTSIFT（尺度不变特征转换），此算法由David Lowe在1999年所发表，2004年完善总结。
是一种计算机视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
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。
1.2 SURFSURF（加速稳健特征）是Hebert Bay在ECCV2006年提出的SIFT算法加速版，在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理。
它的速度是SIFT的3-7倍，大部分情况下它和SIFT的性能相当，因此它在很多应用中得到了应用，尤其是对运行时间要求高的场合。
1.3 BRISK/SBRISKBRISK（二进制鲁棒的不变尺度关键点），是ICCV2011年提出的图像特点点描述子，2014年提出加速版SBRISK。
图像特征提取——局部⼆值模式（LBP）、局部三值模式（LTP）⼀、LBP算⼦ 局部⼆值模式是⼀种灰度范围内的⾮参数描述⼦，具有对灰度变化不敏感且计算速度快等优点[1].LBP算⼦利⽤中⼼像素的领域像素与中⼼像素的⽐较结果进⾏编码。
常见的LBP P,R模式有： P,R分别代表领域像素点的个数和领域半径，上图所⽰分别为8点半径为1；16点半径为2；8点半径为2的模式。
LBP算⼦计算实例如下：从左上⾓开始，沿顺时针⽅向依次与中⼼像素进⾏⽐较，如果⼤于等于中⼼像素的取值为1，否则为0.得到⼀个01序列，我们视为⼀个⼆进制数。
将⼆进制数转化为⼗进制数即可。
LBP算⼦的数学表述如下： 以下，我们根据实例来编写代码：clear all;clc;img=imread('lena.jpg');img=rgb2gray(img);[m,n]=size(img);imgn=zeros(m,n);for i=2:m-1for j=2:n-1for p=i-1:i+1for q =j-1:j+1if img(p,q) > img(i,j)||img(p,q) ==img(i,j)if p~=i || q~=jif(p==i&&q==j-1)imgn(i,j)=imgn(i,j)+2^0;endif(p==i+1&&q==j-1)imgn(i,j)=imgn(i,j)+2^1;endif(p==i+1&&q==j)imgn(i,j)=imgn(i,j)+2^2;endif(p==i+1&&q==j+1)imgn(i,j)=imgn(i,j)+2^3;endif(p==i&&q==j+1)imgn(i,j)=imgn(i,j)+2^4;endif(p==i-1&&q==j+1)imgn(i,j)=imgn(i,j)+2^5;endif(p==i-1&&q==j)imgn(i,j)=imgn(i,j)+2^6;endif(p==i-1&&q==j-1)imgn(i,j)=imgn(i,j)+2^7;endendendendendendendfigure;subplot(1,2,1),imshow(img),title('原图');subplot(1,2,2),imshow(imgn,[]),title('LBP'); 代码输出结果如下：⼆、旋转不变LBP算⼦ 在LGS算⼦⾥，我们提到，这⼀类算⼦虽然在刻画领域相对明暗时⾮常有效，但是⼀旦图像发⽣旋转，则⽴即失效。
图像特征提取及描述算法分析图像特征提取及描述算法是计算机视觉领域的核心内容之一，其在图像处理、模式识别和计算机视觉任务中扮演着重要的角色。
本文将分析一些常用的图像特征提取及描述算法，包括边缘检测、角点检测、尺度不变特征变换（SIFT）和高级表观算子（HOG），以及它们在实际应用中的优缺点。
边缘检测是图像处理中常用的特征提取方法之一。
边缘是图像中灰度变化最明显的地方，通常包含了物体的轮廓和纹理信息。
常用的边缘检测算法有Sobel算子、Prewitt算子和Canny边缘检测算法。
Sobel算子和Prewitt算子是基于局部差分的算法，通过计算像素点邻域内灰度值的差异来检测边缘。
Canny边缘检测算法在Sobel算子的基础上添加了非最大抑制和双阈值处理，能够在减少噪声的同时保留重要的边缘信息。
边缘检测算法在许多图像处理和计算机视觉任务中都有广泛的应用，例如目标检测、图像分割和图像识别等。
角点检测是另一种常用的图像特征提取算法，它主要用于寻找图像中的角点或感兴趣点。
角点是图像中两条或多条边缘相交的地方，通常具有良好的鲁棒性和唯一性。
常用的角点检测算法有SIFT算法、Harris角点检测算法和FAST角点检测算法。
SIFT算法通过在不同尺度空间上进行高斯模糊和建立尺度空间极值点来寻找图像中的关键点。
Harris角点检测算法基于图像灰度的变化率来检测角点，通过计算图像的梯度和结构矩阵的特征值来判断像素点是否为角点。
FAST角点检测算法则是通过快速的像素比较来寻找图像中的角点。
角点检测算法在图像配准、目标跟踪和三维重建等领域有广泛的应用。
尺度不变特征变换（SIFT）是一种用于图像特征提取和描述的经典算法。
SIFT 算法通过在不同尺度空间上构建高斯金字塔和相对梯度直方图来提取图像的局部不变特征。
SIFT特征具有旋转不变性和尺度不变性，能够在不同角度和尺度下描述同一物体的特征。
SIFT算法在目标识别、图像匹配和三维重建等领域有广泛的应用。
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。
图像识别中的局部特征提取方法比较引言随着计算机视觉技术的快速发展，图像识别已成为一个热门的研究领域。
图像识别任务中，局部特征提取是其中一项重要的技术，其目的是从图像中提取出具有区分度的局部特征来进行图像匹配和识别。
本文将对比几种常用的局部特征提取方法，并分析其优劣之处。
一、 SIFT特征SIFT（Scale-invariant feature transform）特征是一种基于尺度空间的局部特征提取算法。
它通过在不同尺度下提取图像的局部斑点特征，并使用关键点的尺度和旋转不变性来保证对图像的尺度和旋转变换具有较好的鲁棒性。
然而，SIFT特征提取算法计算复杂度较高，且其特征向量维度较大，容易导致计算资源的浪费。
二、 SURF特征SURF（Speeded-Up Robust Features）特征是一种快速而鲁棒的图像局部特征提取算法。
与SIFT特征相比，SURF特征的计算速度更快，并且其对图像尺度和旋转变换具有较好的不变性。
SURF特征提取算法使用了一种称为Hessian矩阵的方法来检测关键点，并计算特征向量。
然而，相对于SIFT特征，SURF特征在对图像的变形和仿射变换不够稳定。
三、 ORB特征ORB（Oriented FAST and Rotated BRIEF）特征是一种快速的二进制局部特征提取算法。
ORB特征提取算法结合了FAST关键点检测算法和BRIEF描述子算法，具有较低的计算复杂度和较小的特征向量维度。
与SIFT和SURF特征相比，ORB特征在计算速度上具有显著优势。
然而，ORB特征相对于SIFT和SURF特征在尺度和旋转不变性上表现较差。
四、 AKAZE特征AKAZE（Accelerated-KAZE）特征是一种快速加速的图像局部特征提取算法。
AKAZE特征提取算法结合了KAZE特征提取算法和加快算法，能够在保证计算速度的同时提供较好的特征描述和鲁棒性。
AKAZE特征在处理大尺度和旋转变换方面表现出色，相较于SIFT和SURF特征，AKAZE特征能够更好地适应仿射和鱼眼变换等复杂情况。
图像特征特点及常用的特征提取与匹配方法图像特征是指在图像中具有一定意义的局部区域，这些区域通常具有独特的纹理、形状或颜色信息。
通过提取并描述这些图像特征，可以实现图像的匹配、分类、检索和跟踪等应用。
本文将介绍图像特征的特点，并介绍常用的特征提取与匹配方法。
图像特征的特点有以下几个方面：1.独立性：图像特征具有一定的独立性，即可以通过特征描述子来唯一表示一个图像区域，这样就可以实现特征的匹配和跟踪。
2.不变性：图像特征应具有一定的不变性，即对于图像的旋转、平移、缩放、噪声等变换具有一定的鲁棒性。
这样可以保证在不同条件下对同一对象进行特征提取和匹配时能够得到相似的结果。
3.丰富性：图像特征应具有丰富的信息，即能够有效地描述图像区域的纹理、形状或颜色等特征。
常用的图像特征提取方法有以下几种：1. 尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）：SIFT特征是一种基于局部图像梯度的特征提取方法，它对图像的旋转、平移、缩放具有较好的不变性。
2. 快速特征检测（Features from Accelerated Segment Test，FAST）：FAST特征是一种快速的角点检测算法，它通过比较像素点与其邻域像素点的亮度差异，从而检测到角点。
3. 霍夫变换（Hough Transform）：霍夫变换是一种基于几何形状的特征提取方法，它通过在参数空间中进行投票，来检测图像中的直线、圆或其他形状。
常用的图像特征匹配方法有以下几种：1. 暴力匹配（Brute-Force Matching）：暴力匹配是最简单的一种匹配方法，它将待匹配的特征描述子与数据库中的所有特征描述子逐一比较，找到相似度最高的匹配。
2. 最近邻匹配（Nearest Neighbor Matching）：最近邻匹配是一种常用的特征匹配方法，它通过计算两个特征描述子之间的欧式距离，来找到相似度最高的匹配。
数字图像的特征原理与应用1. 概述数字图像的特征对于图像分析和处理非常重要。
通过提取图像的特征，可以实现目标检测、目标识别、图像分类等应用。
本文将介绍数字图像的特征原理和应用，并重点讨论常用的特征提取方法。
2. 数字图像特征的分类数字图像特征可以分为全局特征和局部特征两大类。
2.1 全局特征全局特征是对整个图像进行分析和描述的特征。
常用的全局特征包括色彩特征、纹理特征和形状特征。
•色彩特征：包括颜色直方图、颜色矩、HSV颜色分布等。
•纹理特征：包括灰度共生矩阵、小波变换、局部二值模式等。
•形状特征：包括边缘直方图、轮廓描述子、Zernike矩等。
2.2 局部特征局部特征是对图像的局部区域进行分析和描述的特征。
常用的局部特征包括SIFT、SURF和ORB等。
•SIFT（尺度不变特征变换）：通过寻找关键点并提取局部特征描述子，实现尺度不变、旋转不变和光照不变的特征描述。
•SURF（加速稳健特征）：基于图像的Hessian矩阵，在尺度空间上寻找稳定的关键点，并提取特征向量进行描述。
•ORB（Oriented FAST and Rotated BRIEF）：结合FAST角点检测和BRIEF描述子，提高了速度和鲁棒性。
3. 特征提取方法特征提取是从原始图像中提取具有代表性的特征。
常用的特征提取方法包括：3.1 直方图直方图是对图像像素值的统计分布，反映了图像的色彩信息。
•颜色直方图：将图像的颜色空间分为若干个区域，对每个区域内的像素进行统计，得到颜色直方图。
•灰度直方图：将图像的灰度级别分为若干个区域，对每个区域内的像素进行统计，得到灰度直方图。
3.2 纹理特征提取纹理特征可以表征图像的纹理信息，常用的纹理特征提取方法包括：•灰度共生矩阵：通过计算图像中像素灰度值的统计参数，反映图像的纹理特征。
•小波变换：将图像分解为不同尺度和方向上的小波系数，用于提取图像的纹理特征。
•局部二值模式：通过比较像素点与周围像素点的灰度值大小关系，生成二值模式描述图像的纹理特征。
图像特征与描述⼦（直⽅图，聚类，边缘检测，兴趣点关键点，Harris⾓点，斑点（Blob）。
1.直⽅图⽤于计算图⽚特征，表达，使得数据具有总结性，颜⾊直⽅图对数据空间进⾏量化，好⽐10个bin2. 聚类类内对象的相关性⾼类间对象的相关性差常⽤算法：kmeans， EM算法， meanshift，谱聚类（密度聚类），层次聚类kmeans聚类选取k个类中⼼，随机选取计算每个点跟k个类中⼼的位置把数据点分配给距离最近的⼀个类中⼼计算新的类中⼼-对该类中的所有点取均值类中⼼数K的选取K类平均质⼼的距离加权平均值，当k=5时的斜率发⽣变化，我们可以选取5作为分类的个数kmeans ++ 半随机（初始点的选取）第⼀类中⼼ - 随机选取记D（x）为数据点x距离最近的聚类中⼼的距离选取下⼀个聚类中⼼，选取的概率正⽐于D(x) ^ 2以此类推，到第k个量化颜⾊直⽅图聚类颜⾊直⽅图：使⽤聚类算法对像素点颜⾊向量进⾏聚类，单元由聚类中⼼代表3. 边缘检测像素明显变化的区域，具有丰富的语义信息⽤途：物体识别，⼏何视⾓变化定义：像素函数快速变化的区域，⼀阶导数的极值区域，⼆阶导数的0点位置步骤：先⾼斯去噪，再使⽤⼀阶导数获取极值公式：对x⽅向进⾏求导 б 表⽰的是标准差对y⽅向进⾏求导梯度幅值/强度hx（x，y）^ 2 + hy(x, y) ^ 2梯度（增加最快）⽅向arctan（hy（x, y）/ hx（x, y）)4. 兴趣点/关键点稳定局部特点：可重复性，显著性抗图⽚变化外貌变化（亮度，光照）⼏何变化（平移，选择，尺度）5.Harris⾓点⼀种显著点：在任何⽅向上移动⼩观察窗，导致⼤的像素变动 Ｅ(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2W(x, y)是⾼斯函数进⾏加权的， x，y表⽰当前位置， u和v表⽰移动了的位置6.斑点（Blob）拉普拉斯梯度：⼀阶导数极值点 - ⼆阶导数零点梯度/边缘可以通过查找：⼆阶导数接近零，⼀阶导数⾜够⼤对噪声很敏感，需要先做⾼斯平滑公式： Δf = δ2f / δ2x + δ2f / δ2y 对x求⼆阶导，对y⽅向求⼆阶导斑点是找拉普拉斯的极值边缘是找拉普拉斯的零值7.SIFTSIFT特征计算计算⾼斯差分（DoG）尺度空间，获取极值点特征点处理：位置插值，去除低对⽐度点，去除边缘点⽅向估计： 2*2⽹格， 8个⽅向，获得最⾼值为关键点的主⽅向，特征点⽅向归⼀化，即所有⽅向为同⼀⽅向描述⼦提取: 在旋转坐标上采样16*16的像素窗， 4*4⽹格，8⽅向直⽅图，总共178维8.纹理特征HOG（⽅向梯度直⽅图）梯度幅值，⽅向 s = sqrt（sx^2 + sy^2）Block 拆分16*16的block 步长是8，包含2*2个cell，每个cell8*8， 9个⽅向积累梯度幅值，使⽤位置⾼斯加权，使⽤相邻bin线性插值64&128的维度图：7*15 * （2*2） * 9 = 3780LBP(局部⼆值模式)将每个像素点与周围点⼤⼩半径⽐较，半径R的圆上，均匀采样P个点，根据赫值⼤⼩，量化为0或1。
图像特征提取方法详解一、引言图像特征提取是计算机视觉领域中一个重要的研究方向。
在图像处理和分析中，特征提取是指从图像中提取出具有代表性和区分性的特征，用于描述图像的内容和结构。
图像特征提取方法的选择和设计对于图像识别、目标检测、图像匹配等应用具有至关重要的意义。
本文将详细介绍几种常见的图像特征提取方法。
二、颜色特征提取颜色是图像中最直观的特征之一。
在图像处理中，常用的颜色特征提取方法包括直方图统计、颜色空间转换等。
直方图统计方法通过统计图像中各个像素的颜色分布情况，得到不同颜色空间的直方图特征。
而颜色空间转换方法则是将图像从RGB颜色空间转换到HSV、Lab等颜色空间，以便更好地描述图像颜色特征。
三、纹理特征提取图像中的纹理特征包含了图像的细节信息和表面特征。
常见的纹理特征提取方法包括灰度共生矩阵（GLCM）、Gabor滤波器等。
GLCM是一种基于像素灰度级分布的统计方法，通过计算像素灰度级间的相关性来描述图像的纹理特征。
而Gabor 滤波器是一种基于频率和方向的多尺度滤波器，可以有效地提取图像的纹理结构信息。
四、形状特征提取形状特征描述了图像中物体的形状和轮廓信息，对于目标检测和图像分割具有重要意义。
常见的形状特征提取方法包括边缘检测、轮廓提取等。
边缘检测方法通过检测图像中的边缘信息，得到目标物体的形状特征。
而轮廓提取方法则是通过对图像进行二值化处理，提取出目标物体的轮廓信息。
五、局部特征提取局部特征是指图像中一些局部区域的特征描述，对于图像匹配和目标识别具有重要作用。
常见的局部特征提取方法包括SIFT、SURF等。
SIFT是一种基于关键点检测和描述子匹配的局部特征提取方法，可以有效地描述图像中的局部结构信息。
而SURF是SIFT的改进算法，具有更快的计算速度和更好的性能。
六、深度学习特征提取随着深度学习技术的发展，基于深度学习的图像特征提取方法也得到了广泛的应用。
常见的深度学习特征提取方法包括CNN、RNN等。
关于图像处理中特征点描述算子的一点总结1.SIFt算子SIFT算子是David G Lowe在2004提出的，即尺度不变特征变换(Scale Invariant Feature Transform)。
它是以尺度空间的构造为基础的局部特征描述算子，对于图像的缩放、旋转和放射变换等具有不变性。
SIFT算子在构建好的尺度空间的基础上搜索尺度空间中的极值点(特征点)，然后确定极值点的尺度信息以及位置，再确定极值点的方向(其邻域梯度的主方向)，最终可以得到具有鲁棒性的128维(4*4*8)的特征描述子。
2.surf特征SURF（Speed-Up Robust Features）算子选取图像在尺度空间上的极值点作为候选特征点。
与SIFT算子不同的是SURF算子采用Hessian矩阵行列式近似值来构造金字塔。
提取SURF特征点需要4个步骤：提取SURF特征，对于特征点进行定位，赋予主方向，生成特征点描述符。
3. BRIEF特征BRIEF特征(binary robust independent elementary features)是Calonder等在2010年提出来的，他采用二进制字符串作为特征点描述符，因而在速度和性能上都有着卓越的表现。
其主要思路是：在特征点附近随机的选取若干点对，将这些点对的灰度值大小组合成一个长为256的二进制字串，并将这个二进制字串作为该特征点的特征描述子。
由于其描述子利用二进制（“0”和“1”）编码，因此在特征匹配时只需计算2个特征点描述子的Hamming距离。
大量实验表明，不匹配特征点的描述子的Hamming距离在128左右，匹配点对描述子的Hamming距离则远小于128。
由于BRIEF的匹配速度远高于SURF和SIFT，因此应用较为广泛。
BRIEF特征描述符是一个bit串，有若干个二值测试组成，即影像块 (尺寸为 )经过平滑后再进行若干测试。
其中，影像块在x处的灰度值定义为，特征描述符为一个长度为的二进制串：这里有两点要注意：1）如何选取内核对图形进行平滑处理（预处理）；2）如何选择测试点对。
研究背景在日常生活中，我们主要依赖于视觉来感知外界的信息，比起听觉，视觉能给我们更加丰富的描述。
人们一直想通过计算机视觉来描述视觉信息中有意义和有用的东西。
首先，我们必须回答什么类型的信息是我们想要的？如何提取这样的特征信息？有人定义视觉为发现图像是什么和在哪里的过程，这强调了视觉是一个信息处理任务[]。
而如何构建一个视觉系统来进行这样的信息处理任务是很多学者研究的问题之一。
其中，达成统一共识是利用不同的特征层来构建这一个视觉模型系统，最简单的三层体系结构为低层、中层、高层。
而本文基于最基本的图像描述方法——尺度的概念，利用尺度空间表示法来分析最低层图像数据。
尺度空间方法是一种尺度参数连续、不同尺度空间下采样保持一致性的视觉多尺度分析。
视觉多尺度分析是一种新的视觉信息处理方法，其基本思想是：当我们用眼睛观察物体且物体和观察者之间的距离（将距离视为尺度参数）不断变化时，视网膜将感知到不断变化的图像信息，分析和综合这些不同尺度下的视觉信息以获得被观察物体的本质特征，这种视觉分析方法即称为视觉多尺度分析。
尺度空间方法的基本思想是：在视觉信息（图像信息）处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得不同尺度下的视觉处理信息，然后综合这些信息以深入地挖掘图像的本质特征。
尺度空间方法将传统的单尺度视觉信息处理技术纳入尺度不断变化的动态分析框架中，因此更容易获得图像的本质特征。
为什么要研究尺度空间？可以从以下几个通俗的描述来说明：1）现实世界的物体由不同尺度的结构所组成；2）在人的视觉中，对物体观察的尺度不同，物体的呈现方式也不同；3）对计算机视觉而言，无法预知某种尺度的物体结构是有意义的，因此有必要将所有尺度的结构表示出来；4）从测量的角度来说，对物体的测量数据必然是依赖于某个尺度的，例如温度曲线的采集，不可能是无限的，而是在一定温度范围进行量化采集。
温度范围即是选择的尺度；5）采用尺度空间理论对物体建模，即将尺度的概念融合入物理模型之中。
尺度空间数学定义表示如下：设多尺度分析的初始图像为0()u x （x ， 为图像区域），(,)u x t 为多尺度分析用于图像所获得的在尺度(0)t t 时的图像，称0:()(,)t T u x u x t 为尺度空间算子，尺度空间算子族 0t t T 为尺度空间，并称为0:()(,)t h T u x t u x t h 尺度由t 变化到t h 的尺度空间算子。
依据尺度空间公理，尺度空间算子应满足如下定义的视觉不变性：定义2 设t T 为尺度空间算子，称t T 具有1） 灰度不变性，如果对任意常数c ，()()t t T u c T u c ；2） 对比度不变性，如果对任意非降实函数f ，(())(())t t T h u h T u ；3） 平移不变性，如果对任意常数h ，(())(())t h h t T u T u ，其中()()h u u x h ；4） 尺度不变性，如果对于任意正实数 和尺度参数t ，存在'(,)0t t ，使得't t H T T H ，其中()H u u x ；5） 欧基里德不变性，如果对于任意正交矩阵R , ()()t t T R u R T u ，其中，()()()R u x u R x ；6） 仿射不变性，如果对于任意仿射变换A 和任意尺度参数t ，存在'(,)0t A ，使得't t AT T A 。
上述诸不变性定义的视觉解释如下：当我们用眼睛观察物体时，一方面，当物体所处背景的光照条件变化时，视网膜感知图像的亮度水平和对比度是不同的，因此要求尺度空间算子对图像的分析不受图像的灰度水平和对比度变化的影响，即满足灰度不变性和对比度不变性；另一方面，相对于某一固定坐标系，当观察者和物体之间的相对位置变化时，视网膜所感知的图像的位置、大小、角度和形状（三维物体投影到视网膜上的二维图像轮廓，通常对应于图像的仿射变换）是不同的，因此要求尺度空间算子对图像的分析与图像的位置、大小、角度以及仿射变换无关，即满足平移不变性、尺度不变性、欧基里德不变性以及仿射不变性。
按照上面公理得出的条件，唯一可能的尺度空间函数核为高斯函数[]，不同高斯核组成的尺度空间是规范的和线性的，并且满足以下若干性质，即平移不变性、半群结构、非增局部极值、尺度不变性和旋转不变性等。
最为基础的四类尺度空间依次为：线性尺度空间、非线性尺度空间、形尺度空间和数学形态学尺度空间。
本文主要研究线性尺度空间即高斯尺度空间下的局部不变特征检测与描述，同时也针对局部不变特征匹配存在的问题进行了研究。
目前图像特征提取是图像处理、模式识别以及计算机视觉等领域的一个重要研究内容，它是许多问题的基础，例如图像配准、图像拼接、物体识别、数字水印、动态跟踪、基于图像内容的检索以及视频镜头检测等。
这些问题都可以通过特征的提取与匹配来实现。
在计算机视觉中，有很多可供引用的图像特征，如按提取特征的区域大小可分为局部特征和全局特征；按特征在图像上的表现形式可分为点特征、线特征和面特征等。
图像局部特征是由一些亮度变化很大的像素点组成的局部结构，这些局部结构包含有丰富的图像信息，具有较强的代表性。
近年来，一类基于提取图像局部不变特征的方法在计算机视觉领域得到了广泛地应用。
这类局部特征，一方面不受平移、旋转、尺度、视角、光照变化以及模糊等因素的影响；另一方面可以很大程度地摒弃以往全局特征容易受到背景杂乱及目标遮挡等影响的缺点。
因而，与其它类型的特征相比，局部不变特征在稳定性、可重复性和独特性方面具有较大的优势，是近年来研究的热点。
局部特征描述是许多方法的基础，因此也是目前计算机视觉研究中的一个热点，每年视觉领域顶级会议ICCV/CVPR/ECCV 上都有高质量的特征描述论文发表。
但是该类方法提取的局部不变特征能够承受图像旋转、尺度、视角、光照及模糊等变换的程度仍然有待提高，并且还没有任何一种局部不变特征能够针对所有的图像变换具备良好的稳定性。
因此，如何使得局部不变特征具有更高的稳定性和可重复性是巫待解决的问题。
在具体应用过程中，发现了几个共同的问题，这些问题尚待研究解决。
比如：1） 在宽基线匹配情况下（图像之间存在较大的模糊、视角、旋转、缩放、尺度、光照等变化），数字摄影测影（近景摄影时）图像匹配、图像重构等会出现以下问题：由于光照条件不同，目标表明光亮度、对比度将会改变，使得基于灰度影像相关匹配的算法效果较差；物体与摄像机的距离不同，图像具备不同分辨率，即尺度不同；影像存在较大的旋转度，使得目标形状发生变化，目标图像存在仿射变形；2） 图像拼接应用时则会出现下列问题：来自不同传感器或者不同视角的同一场景的两幅或者多幅图像的匹配，主要难点是拍摄时间、角度、环境以及传感器性能的不同，都给图像带来了不可避免的噪声，同时还存在不同程度的灰度失真以及几何畸变。
3） 目标跟踪时则会遇到如下问题：光照变化：在不同的光照条件下，目标的特征会呈现明显的差异。
尤其复杂光照环境下，目标特征会发生强烈的变化；姿态和形状变化：目标的平面旋转，轴旋转以及与摄影设备距离变化都将导致目标图像的仿射变化和投射变化；部分遮挡：当跟踪目标被部分遮挡时，部分特征信息无法获取，就有可能跟踪失败或者偏移；4） 目标识别是计算机视觉中的一个非常具有挑战性的课题，主要遇到的问题描述如下： 如对于人类来说，即使是小孩也能轻松的在复杂图像中找到所需目标，即便这个目标被部分遮挡了，或者物体形状、大小发生变化等，但是对于计算机来说，非常具有挑战性，其核心问题就是用什么样的特征来描述物体。
这些实际应用问题本质反映了图像之间存在尺度、视角、光照、旋转、缩放、遮挡等变化，因此很难有通用的解决所有仿射变化的图像局部不变特征算法。
因此，本文重点研究如何提高局部不变特征的稳定性、可重复性等问题。
局部不变特征局部特征数学描述：图像函数表示为(,)f x y ，()g f 为定义在图像局部邻域 上的特征函数，()H f 表示对图像进行的各种变换。
特征函数()g f 对变换H 具有不变性是指对任意的图像函数f 满足：()(())g f g H f (1)特征函数()g f 对变换H 具有不变性时提取的特征为局部不变特征，其中特征不变性的自由度由H 的自由度决定。
物理意义及思想：局部不变特征是指局部特征的检测或描述对图像的各种变化，例如几何变换、光度变换、卷积变换、视角变化等保持不变。
局部不变特征的基本思想是提取图像内容的本质属性特征，这些特征与图像内容的具体表现形式无关或具有自适应性(即表现形式变化时特征提取自适应的变化以描述相同的图像内容)。
局部不变特征性质局部特征两个最重要的属性是：不变性（鲁棒性/重复性）和可区分性。
当然，还有其他几个属性：局部性、（特征点）数量大、准确性、效率。
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形变的情况，因此，在设计图像特征描述子的时候，鲁棒性问题就是最优先考虑的问题。
在宽基线匹配中，视角不变性（viewpoint invariance）、尺度不变性（scale invariance）、旋转不变性（rotation invariance）、光照不变性（illumination invariance）等属性在构建特征描述子时需要考虑。
而在物体识别中，需要考虑特征描述子对物体形状的不变性。
局部不变特征研究现状一、SIFT类描述子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年由David Lowe[1][2]首次提出，至2004年得到完善，SIFT算法是基于局部不变量的图像特征提取、匹配方法，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。
但是，经过实际的应用和评测，SIFT算法有几个严重的缺陷：1.不完全的仿射变化；2.计算复杂度较高，实时性不强；3.光照变化大、视角变化大、物体自身有相似或周期性结构时匹配点对过少甚至匹配失败；4.匹配点对错误率较高；5. Sift是一种只利用到灰度性质的算法，忽略了色彩信息。
因此，其突出的性能以及缺陷使得大批学者投入到该算法的研究当中。
1.对SIFT算法进行降维的改进降维的目的和意义：SIFT类算法中在特征描述符的生成过程中采用主方向旋转并统计梯度直方图的方式生成128 维特征向量计算量相当大，，而且在完成图像的配准时对128 维向量进行特征匹配的计算开销也较大，这是影响SIFT 算法实时性的主要原因，因此，改进算法的思想主要是减少生成特征描述符计算量和提高特征匹配速度。
