上個教程結束，標誌著OpenCV的影象處理部分已經結束，從本次教程開始，我們開始討論影象的特徵問題，這是一個龐大的體系，它決定了後面目標識別的基礎，本次我們先來理解影象的特徵問題。

我們大多數都會玩拼圖遊戲。會得到很多小圖片，我們需要正確地將它們組裝起來才能形成一個大的真實影象。問題是，這是如何做到的？如何將相同的理論投射到電腦程式中，讓電腦可以玩拼圖遊戲？如果電腦可以玩拼圖遊戲，為什麼我們不能給計算機提供很多真實的自然風景影象，並告訴它將所有這些影象拼接成一個大的影象？如果計算機可以將幾張自然影象拼接成一張，那麼給建築物或任何結構提供大量圖片並告訴計算機從中建立3D模型呢？

那麼，這些問題和想象力還在繼續。但這一切都取決於最基本的問題，我們如何玩拼圖遊戲？如何將大量的影象拼湊成一個大的單一的影象？怎樣才能將很多自然影象拼接成單一影象？

答案是，我們正在尋找特定的模式或特定的功能，這些模式或功能是獨一無二的，可以輕鬆跟蹤，並且可以輕鬆進行比較。如果我們去定義這樣一個特徵，我們可能會發現用文字表達它很困難，但是我們知道它們是什麼。如果有人要求指出一個可以在多個影象上進行比較的優秀特徵，則可以指出一個特徵。這就是為什麼小孩子也能玩這些遊戲的原因。我們在影象中搜索這些特徵，找到它們，在其它影象中找到相同的特徵，並對齊它們而已。

所以我們的一個基本問題擴大到數量上，但變得更具體。這些功能是什麼？

那麼，很難說人類如何找到這些特徵。它已經在我們的大腦中程式設計了。但如果我們深入研究一些圖片並尋找不同答案，我們會發現一些有趣的東西。

例如，如下影象：

影象非常簡單。在影象的頂部，給出了六個小影象補丁。我們的問題是要在原始影象中找到這補丁的確切位置。最終可以找到多少正確的結果？

A和B是平坦的表面，它們分佈在很多區域。 很難找到這些補丁的確切位置。

C和D要簡單得多。它們是建築物的邊緣。 我們可以找到一個大概的位置，但確切的位置仍然很困難。 這是因為，沿著邊緣，到處都是一樣的。 正常到邊緣，它是不同的。 所以與平坦區域相比，邊緣是一個更好的特徵，但是還不夠好（對於比較邊緣的連續性，它在拼圖遊戲中很好）。

最後，E和F是建築物的一些角落。 他們很容易被發現。 因為在角落裡，無論怎麼移動這個補丁，它看起來都不一樣。所以他們可以被認為是一個很好的特徵。 所以現在我們轉向更簡單（並廣泛使用的影象）以便更好地理解。

就像上面一樣，藍色斑塊是平坦的區域，很難找到和跟蹤。無論怎麼移動藍色補丁，它看起來都一樣。對於黑色補丁，這是一個優勢。如果沿垂直方向（即沿著梯度）移動它，它會發生變化。沿邊緣（平行於邊緣）看起來是一樣的。對於紅色補丁，它是一個角落。無論在哪裡移動補丁，它看起來都不一樣，意味著它是獨一無二的。所以基本上，角落被認為是影象中的優秀特徵。（不僅僅是角落，在某些情況下，斑點被認為是很好的特徵）。

所以現在我們回答了我們的問題：“這些特徵是什麼？”。但下一個問題出現了。我們如何找到它們？或者我們如何找到角落？我們也以一種直觀的方式回答了問題，即尋找影象中周圍所有區域移動時（最小變化）的區域。這將在未來的章節中被投射到計算機語言中。因此找到這些影象特徵稱為特徵檢測。

所以我們找到了影象中的特徵。一旦找到它，應該在其他影象中找到相同的影象。我們所做的？我們在特徵周圍取一個區域，用我們自己的話來解釋它，例如“上半部分是藍天，下半部分是建築物區域，在那個建築物上有一些眼鏡等等”，然後在其他影象中搜索相同的區域。基本上，正在描述這個功能。類似的方式，計算機也應該描述該特徵周圍的區域，以便它可以在其他影象中找到它。所謂的描述稱為特徵描述。一旦我們有了這些特徵和描述，就可以在所有影象中找到相同的特徵並對齊它們，縫合它們或者做我們想做的任何事情。

下次教程，我們將詳述OpenCV中的特徵實現方法。

檢視文章彙總頁https://blog.csdn.net/weixin_44237705/article/details/107864965
更多openvino技術資訊可以入群交流~
申請備註：CSDN