目標
-在這個章節(jié)悴能，我們試著去理解什么是“特征（features）”雳灾。
說明
我們大多數(shù)人都玩過拼圖游戲，將一小塊一小塊的圖片拼成一個完整的大圖谎亩。讓我們思考這樣一個問題：我們怎樣拼湊它們宇姚？如果將相同的原理編入計算機夫凸，計算機也能完成拼圖游戲嗎？如果答案是肯定的魔熏，那可不可以給計算機一些現(xiàn)實中的自然景色圖片鸽扁，讓它拼接成一張全景大圖，如果這也可以辦到桶现，那能不能輸入一些建筑物或者類似的圖片，讓計算機建個3D模型呢吏夯？
思維可以繼續(xù)發(fā)散即横，但都基于一個基本問題：我們是如何思考并進行拼圖游戲的裆赵？我們怎么來排布一個個自然圖像的碎片，使它們拼成一張大圖战授，還原它的樣子。
答案是份帐，我們總是會尋找圖片中獨一無二的特征部位楣导，可以一眼認出的，和其他圖片存在明顯區(qū)別筒繁。如果試著解釋我們是如何找出這些特征部位的，也許很難找出合適的語句來描述驮宴，但我們就是知道它是呕缭。如果有人讓你找出一個明顯區(qū)別于其它圖片的特征部位修己，你一定能找出來迎罗，這就是為什么小孩子都能把這個游戲玩起來。我們尋找圖片中的某些特征佳谦，找到它們，接著尋找和他們有相似特征的碎片啥刻，拼湊起來咪笑，知道完成。這樣的能力也是我們與生俱來的窗怒。
我們對問題展開思考了很多，但有了一個更具體的描述努隙，什么是圖像的特征辜昵？（答案也要是計算機也能理解）
很難描述在尋找特征的過程中我們是如何思考進行的。但是我們深入的尋找圖片之間的不同時堪置，我們會發(fā)現(xiàn)一些有趣現(xiàn)象，舉個例子岭洲，看下面的圖片
在圖片的上方坎匿，給出了6張小圖。請你在原圖中找出它們各自的位置彪腔。你能給出多少種正確答案进栽？
A 和 B 表面很單一，沒什么具體特征快毛，可能分布在許多區(qū)域上番挺，很難找出一個明確的位置屯掖。
C 和 D 倒是稍微好找一點，它們是大樓的邊緣部位粪摘，你可以找到一個大致的位置绍坝，不過依然很難給出精確定位。這是因為大樓邊沿各個部分都長一樣的轩褐，雖然相比平坦部位更容易認出，但還不足以明確確定勤讽。
最后拗踢，我們來看 E 和 F 。它們是大樓的頂角巢墅。可以輕易認出。因為這些頂角三娩，只要移動到其他位置，大樓就變形了双吆，既不能放在大樓里面会前，也不可能憑空漂浮在天上，它們只能被放在頂角該在的部位瓦宜。所以可以當成大樓的一種特征，頂角反璃。確定了大樓的位置和輪廓。下面我們換一種理解方式淮蜈。
如上圖所示梧田，藍色線框標記的區(qū)域，表面平滑裁眯，顏色單一，稍微上下左右移動也不會破壞圖片的形狀俯画，很難定位它的準確位置司草。黑色線框標記的部分是邊緣地帶，如果垂直移動它埋虹，圖片會變形本缠，但如何沿著邊緣移動，圖像也不會有什么變化爬泥。那么來看紅色線框標記的區(qū)域，是一個角 ( corner )袍啡，隨意移動一點圖像就會變形，所以它只能在那個位置蔗牡，這是角是獨一無二嗅剖，不可移動的，它就在那信粮，，也只能在那亏钩，這就可以被認為是這個綠色矩形的一個特征。（不僅僅是角姑丑，有時候斑點什么的也都能被當成特征）。
現(xiàn)在我們應該解釋了什么是特征震肮，那接下來還有個問題留拾？怎么找到它們呢？或者說我們怎樣找到這個角呢痴柔，在思考的過程中，我們已經(jīng)直觀的回答了這個問題豪嚎。尋找圖片中的只要稍微一移動就會使圖片嚴重變形的區(qū)域谈火，這個區(qū)域被認定為該圖的特征。在下一節(jié)中這種方法會在計算機里編程實現(xiàn)糯耍。這樣一個尋找特征的過程就叫 特征檢測（Feature Detection）
我們找到圖像的一些特征，然后我們可以在其他圖片中找到類似的特征革为，這是怎樣實現(xiàn)的呢舵鳞？我們獲取特征區(qū)域，用我們的語言描述它們，比如“圖的上方是天空虐块，下面有一幢大樓，大樓上有好多玻璃”霜旧，然后我們可以在其他圖片中尋找相似特征的區(qū)域。上面我們對圖像的特征進行了描述挂据，類似的，計算機也可以描述一些特征然后去其他圖片上找相似的地方掷倔。這樣一個描述被稱作 特征描述（Feature Description）个绍。一旦你有一種特征并有它的描述，你就可以在其他圖片中找出相似甚至相同的部分凛虽。
原文：
http://docs.opencv.org/3.2.0/df/d54/tutorial_py_features_meaning.html
