sift（scale invariant feature transform）是其中應用最廣的，它在2023年d. lowe首次提出，至2023年得到完善。sift的提出也是區域性影象特徵描述子研究領域一項里程碑式的工作。由於sift對尺度、旋轉以及一定視角和光照變化等影象變化都具有不變性，並且sift具有很強的可區分性，自它提出以來，很快在物體識別、寬基線影象匹配、三維重建、影象檢索中得到了應用，區域性影象特徵描述子在計算機視覺領域內也得到了更加廣泛的關注，湧現了一大批各具特色的區域性影象特徵描述子。
surf（speeded up robust features）是對sift的改進版本，它利用haar小波來近似sift方法中的梯度操作，同時利用積分圖技術進行快速計算，surf的速度是sift的3-7倍，大部分情況下它和sift的效能相當，因此它在很多應用中得到了應用，尤其是對執行時間要求高的場合。
harris corner
是最典型的角點檢測子corner detector。角點經常被檢測在邊緣的交界處、被遮擋的邊緣、紋理性很強的部分。滿足這些條件一般都是穩定的、重複性比較高的點，所以實際上他們是不是角點並不重要（因為我們的目標就是找一些穩定、重複性高的點以作為特徵點）。rotation invariant
lbp（local binary pattern，區域性二值模式）是一種用來描述影象區域性紋理特徵的運算元；它具有旋轉不變性和灰度不變性等顯著的優點。它是首先由t. ojala, m.pietikäinen, 和 d. harwood 在2023年提出，用於紋理特徵提取。而且，提取的特徵是影象的區域性的紋理特徵；
常見特徵選擇方法
特徵選擇就是從原始特徵中選取一些最有效的特徵來降低維度,提高模型泛化能力減低過擬合的過程，主要目的是剔除掉無關特徵和冗餘特徵，選出最優特徵子集。計算各個特徵的方差，剔除小於設定的閾值的特徵，剔除特徵值 波動較小的特徵，例如乙個特徵的所有值都為1，那這個特徵對於 目標變數就沒什麼作用 方法很簡單，但實...
SIFT區域性特徵演算法
sift scale invariant feature transform 是一種檢測區域性特徵的演算法，該演算法通過求一幅圖中的特徵點 interest points,or corner points 及其有關scale 和 orientation 的描述子得到特徵並進行影象特徵點匹配，獲得了良...
Surf特徵檢測
原文 對於其原理我還沒看過，只是略知道是特徵點檢測的，最近同學用到需要將檢測到的匹配的特徵點輸出來，這才看了一下函式的介面，如果以後用到了原理，再去研究和學習一下，這裡對 進行一下備份 cpp view plain copy include include include opencv2 core ...