图像局部不变性特征提取与描述

边缘检测：

一阶边缘检测算子：Roberts，Prewiit，Sobel，Canny。

mx = 图2左；my = 图2右。

Roberts 算子边缘定位精度较高，但容易丢失一部分边缘，同时由于没有经过图像平滑计算，因此不能抑制噪声，该算子对具有陡峭的低噪声图像响应较好。

二阶边缘检测算子：

角点检测：

SUSAN（最小核值相似区）

特征点往往代表图像中结构最稳定的局部区域，当光照、旋转、尺度等发生变化时，我们期望特征点的位置和相应的描述矢量只有很小的变化。

特征点匹配和数据库检索、图像检索等本质上是同一个问题，只是在数据规模上可能有些区别，它们都可以归结为一个通过距离函数在高维矢量之间进行相似性检索的问题。

索引结构中相似性查询有两种基本的方式：一种是范围查询，另一种是K近邻查询。范围查询是给定查询点和查询距离阈值，从数据集中选出所有与查询点距离小于阈值的数据；K近邻查询是给定查询点和正整数K，从数据集中找出距离查询点最近的K个数据，当K=1时，它就是最近邻查询。

特征匹配算子大致可以分为两类。一类是穷举法，这种方法不需要任何数据预处理，操作简单，但是没有用到数据中蕴含的任何结构信息，搜索效率相对较低；另一类是建立数据索引，然后进行快速匹配。因为实际数据一般会呈现出簇状的聚类状态，通过设计有效的索引结构可以大大提高检索速度。索引树属于上面提及第二类，其基本思想是对搜索空间进行层次划分。其代表是Kd-树。

Kd-树是对数据点在k维空间中划分的一种数据结构。

构建Kd-树的过程：