OpenCV4学习笔记（39）——特征提取与描述之SIFT特征提取描述算法

今天开始，要整理一下之前看过的一些特征提取描述算法，并记录下自己的总结。由于这些算法往深处探索的时候都涉及到了非常多与数学相关的内容，而这些内容对于像我一样数学功底不够深厚的人来说是比较难完全理解的，所以我的笔记只记录个人对每个算法大致流程的理解。下面就开始吧！！！

对于一幅图像中的内容，存在各种各样的特征，例如有点特征、线特征和块特征等等。其中，特征点是图像中非常重要的一个局部特征，它集中了很多的形状信息，特征点反映的是二维图像中灰度变化极其剧烈的点，或者是图像边缘曲线中曲率极大值的点，如角点。而当我们需要对图像中的内容进行分析时，这些特征就派上了很大的用场，能够帮助我们比较好的找出我们的目标对象，对目标对象进行识别和分析等操作。特征点广泛应用在目标检测与识别、图像重构、图像匹配等方面。

那么，想要通过目标的特征来进行下一步操作，首先就是要找出目标的特征，这里主要可以分为两个步骤，第一个是目标特征的提取，第二个就是对目标特征进行描述。

所谓特征提取，就是在图像中根据像素点的梯度、灰度值、邻域像素关系等因素，来将某些与其他像素点具有明显差异的像素点区分出来，并将这些像素点提取出来作为一个点集，这就是我们找到的候补特征点集。这些特征点一般是在图像中梯度比较大、或者灰度值变化比较大的区域，通过进一步地筛选，我们能够得到位于我们的目标区域中的候选特征点，从而进一步提取出我们目标对象的特征点。

既然我们找到了目标对象的特征点，那就要给这些特征点都起一个名字，这样我们就能够通过它们的名字来区分它们。例如图像A中存在一只猫作为我们的目标对象，我们在这只猫的区域中提取到的特征点给它命名为“喵”，随后再给出一张图像Bÿ