图像局部特征点的理解

图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。

局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。

而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。

无论是角点，斑点还是边缘的检测，说白了其实都是在检测极值点。如边缘检测，寻找的就是一阶微分的极值点，当然一阶微分的极值点当然是二阶微分的过零点，所以边缘检测有两种常用的方法：一是基于一阶微分的，寻找极值点，如Roberts,Canny,Prewitt等等；另一类是基于二阶微分的，寻找过零点，如LoG等。

1. 斑点特征检测（Bold Detection）
   斑点通常是指与周围有着颜色和灰度差别的区域。斑点通常和关键点(key point)，兴趣点(intrest point)以及特征点(feature point)表示同一个概念。在实际的数字图像中存在着大量的斑点，如，从远处看，一棵树是一个斑点，一块草地是一个斑点，一栋房子也可以是一个斑点等等。与单纯的角点不同的是，斑点代表的是一个小的区域，因此，它的稳定性更好，抗噪声能力更强。
   对于斑点检测，其实是找二阶微分的极值点，当然不同方法，其二阶微分算子不一样。常用的斑点检测算法有LoG，DoH以及Gilles等。这些算法中的操作一般都比较耗时,并且斑点检测一般只是预处理操作，完整的过程还包括斑点特征描述，特征匹配搜索等，所以，人们一直在探索斑点检测的快速算法。终于，Lowe在前人研究的基础上，提出了非常著名的里程碑式的SIFT算法，该算法将斑点检测，特征描述以及特征匹配搜索结合在一起优化，极大地提高了效率。在斑点检测中，Lowe提出了LoG的近似算法DoG，提高了斑点检测的效率。沿着Lowe的思路，Bay等人提出了SURF算法，对DoH进行了简化和近似。
   1.1 一般斑点检测的步骤为:
   (1)定义算子，对图像进行卷积运算
   (2)搜索局部响应的峰值(极值)

2. 角点检测
   角点可以从两个不同角度定义：角点是两个边缘的交点；角点是领域内具有两个主方向的特征点。角点所在的领域通常也是图像中稳定的，信息丰富的区域，这些领域可能具有某些特性，比如旋转不变性，尺度不变性，仿射不变性和光照亮度不变性。
   角点检测的方法也是极多的，基于图像灰度的方法通过计算点的曲率以及梯度来检测角点，是目前研究的重点。角点检测的方法具有代表性的算法是Harris算法与FAST算法。