方法就是利用图像点二阶微分矩阵:图像局部特征点检测算法综述研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。本篇文章现在只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如年新出现的基于非线性尺度空间的特征提取方法以及它的改进等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。局部特征点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XX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。斑点检测原理与举例与斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（）以及利用像素点矩阵（二阶微分）及其行列式值的方法（）。的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。陀）=以及它的行列式的值dw*=(iu(2?j期、期(碉y.(7)—Zr釘(跖场£?))矩阵行列式的值，同样也反映了图像局部的结构信息。与相比，对图像中的细长结构的斑点有较好的抑制作用。无论是还是，它们对图像中的斑点进行检测，其步骤都可以分为以下两步：）使用不同的o生成或模板，并对图像进行卷积运算；）在图像的位置空间与尺度空间中搜索与响应的峰值。详细的算法描述参考：定位算法关键步骤的说明年，提高了高效的尺度不变特征变换算法（）利用原始图像与高斯核的卷积来建立尺度空间，并在高斯差分空间金字塔上提取出尺度不变性的特征点。该算法具有一定的仿射不变性，视角不变性，旋转不变性和光照不变性，所以在图像特征提高方面得到了最广泛的应用。该算法大概可以归纳为三步：）高斯差分金字塔的构建；）特征点的搜索；）特征描述。在第一步中，它用组与层的结构构建了一个具有线性关系的金字塔结构，让我们可以在连续的高斯核尺度上查找特征点。它比高明的地方在于，它用一阶高斯差分来近似高斯的拉普拉斯核，大大减少了运算量。在第二步的特征点搜索中，主要的关键步骤是极值点的插值，因为在离散的空间中，局部极值点可能并不是真正意义上的极值点，真正的极植点可以落在了离散点的缝隙中。所以要对这些缝隙位置进行插值，然后再求极值点的坐标位置。第二步中另一关键环节是删除边缘效应的点，因为只忽略那些响应不够的点是不够的，的值会受到边缘的影响，那些边缘上的点，虽然不是斑点，但是它的响应也很强。所以我们要把这部分点删除。我们利用横跨边缘的地方，在沿边缘方向与垂直边缘方向表现出极大与极小的主曲率这一特性。所以通过计算特征点处主曲率的比值即可以区分其是否在边缘上。这一点在理解上可以参角点最后一步，即为特征点的特征描述。特征点的方向的求法是需要对特征点邻域内的点的梯度方向进行直方图统计，选取直方图中比重最大的方向为特征点的主方向，还可以选择一个辅方向。在计算特征矢量时，需要对局部图像进行沿主方向旋转，然后再进邻域内的梯度直方图统计（）。详细的算法描述参...
