关于图像处理的特征检测、特征提取和匹配的理解

看了很多文献，包括中英文文献，一直都纠结各种概念，包括特征检测，特征选择，特征提取，特征描述和特征匹配，在进行目标检测、图像配准和拼接时用到这类概念和方法时，如何理解他们的关系很重要。

本人结合mathworks官网和一些文献，给出了自己的理解。

1. 特征检测（feature detection）、特征提取（extraction）和匹配（matching） 这三步，可以看做是目标检测、图像配准和拼接等工作的非常重要的一步。

论文中，一般会将这三步或其中的两步（某一步替换成特征描述还是三步），统称为“图像匹配的过程”。此处暂不讨论这种命名的严谨性。

2. 特征检测、特征选择、特征提取、特征描述和特征匹配

特征检测： 根据用户的需求在图像中寻找满足定义的特征，包括角点、Blob点和边缘点。检测的结果：有或没有。

特征选择： 为了选择稳定和可靠的特征，在检测到的特征集合中，需要进一步约束，通过类似于非极大值抑制、对比度阈值约束等条件保留显著特征。选择的结果：特征子集。

特征提取： 特征选择确定稳定可靠的特征子集后，需要提取特征的位置（Location）、方向（Orientation）和尺度（Scale）信息。方向和尺度信息主要是为支持旋转和尺度变化。

特征描述： 结合特征（点）邻域信息，使用一定的描述规则来对特征区域进行量化并抽取能代表该特征的描述信息，为了后续的匹配，一般用特征向量（feature vector）表示。

特征匹配： 对提取到的特征，需要通过使用一定的方法来进一步判断对应的特征是否相同（或近似），对特征向量一般使用欧式距离或最邻近距离比（NNDR）进行判定，满足一定的条件约束，则认为两个特征相近，否则剔除。一般还会通过RANSAC进一步约束剔除误匹配点。

至此，本人已经将这几个概念认真解释了一遍，如果还不太懂，请移步SIFT，对照理解。

关于这几个概念的关系，本人更倾向于“特征检测、特征提取和匹配” 三个步骤为一个整体。而特征选择可以涵盖在特征检测中（特征选择是特征检测的进一步约束），特征描述可以涵盖到特征提取中（提取本身就是对完整的数据信息进行压缩表示）。

------未经允许，不得转载-----请尊重作者的劳动成果-----