文章目录
1.概述
学完本小节以后，可以完成两个不同图片的拼接，如下图所示。其实原理就是在两张图片上，知道足够多的相同的点，然后实现的拼接
看下面内容，都是为了达到这个目的的。
该小节内容，包括颜色特征，几何特征，和基于关键点的特征描述子，其实这些相应的方法，在opencv里面，都有对应的封装好的方法，直接调用就可以。
2.颜色特征
2.1颜色直方图
假设两张图片的颜色直方图基本相同，只是错开了一个bin，这个时候如果用欧式距离计算两者的相似度，就会得到很小的相似度。为解决这个问题，一种方法是采用二次距离，一种方法是事先进行平滑滤波。
颜色直方图的，描述的是全局的特性，优点是，特征提取简单，不受图像旋转和平移变化的影响，进一步借助归一化还可以不受图像尺度变化的影响，其缺点是没有表达出颜色空间分布的信息。
下边是更详细的参考文献，抽时间再看一看。
https://blog.csdn.net/silence401/article/details/100688155
3.几何特征
3.1边缘检测
数学上定义的边缘，就是像素值急剧变化的区域，也就是一阶导数取极值的地方（图二）
图一
图二
但是一般直接进行边缘检测的话，会有很多噪音加进去，如下图，就会出现很多的极值点，为解决这个问题，所以，一般在进行检测之前，要先进行高斯滤波。（同样的，我们可以通过高斯滤波器中的，更改里面的）
4.基于关键点的特征描述子
4.1 什么是特征描述子？
从不同距离，不同角度，不同光照的条件下观察同一物体，物体的大小，形状，明暗都会有所不同，但是我们依然可以判断他是同一物体。
理想的特征描述子应该包括这些特征，即在大小不同，明暗不同的图像中，同一特征点应该具有足够相似的描述子，称之为描述子的可复现性。
特征点，在图像转换的过程中，特征点是稳定的。
找到关键点以后，可以干什么：
- 图像拼接
- 运动跟踪
- 物体识别
- 机器人导航
- 3D 重建
4.2 哪些点可以称之为特征点？
第一个，角点:
特征点里面，有特殊的一大类，就是斑点
还可以使用拉普拉斯和高斯变换，求特征点（斑点）：
斑点就是二阶导数取最大值和最小值的地方。（二阶导数取0的地方，就是边界点，取最大最小值的地方，就是斑点）
4.3 找到特征点以后干嘛？找局部特征
在局部特征中所使用的高斯金字塔：
4.4局部特征是如何确定方向的？
即旋转的不变性：
如何在图片旋转完以后，依旧可以识别出来，是因为他图片可以根据梯度，找到关键点的 主方向：
