影象特徵提取是影象分析與影象識別的前提，它是將高維的影象資料進行簡化表達最有效的方式，從一幅影象的M×N×3的資料矩陣中，我們看不出任何資訊，所以我們必須根據這些資料提取出影象中的關鍵資訊，一些基本元件以及它們的關係。

區域性特徵點是影象特徵的區域性表達，它只能反正影象上具有的區域性特殊性，所以它只適合於對影象進行匹配，檢索等應用。對於影象理解則不太適合。而後者更關心一些全域性特徵，如顏色分佈，紋理特徵，主要物體的形狀等。全域性特徵容易受到環境的干擾，光照，旋轉，噪聲等不利因素都會影響全域性特徵。相比而言，區域性特徵點，往往對應著影象中的一些線條交叉，明暗變化的結構中，受到的干擾也少。

而斑點與角點是兩類區域性特徵點

無論是角點，斑點還是邊緣的檢測，說白了其實都是在檢測極值點。如邊緣檢測，尋找的就是一階微分的極值點，當然一階微分的極值點當然是二階微分的過零點，所以邊緣檢測有兩種常用的方法：一是基於一階微分的，尋找極值點，如Roberts,Canny,Prewitt等等；另一類是基於二階微分的，尋找過零點，如LoG等。

1. 斑點特徵檢測（Bold Detection）
   斑點通常是指與周圍有著顏色和灰度差別的區域。斑點通常和關鍵點(key point)，興趣點(intrest point)以及特徵點(feature point)表示同一個概念。在實際的數字影象中存在著大量的斑點，如，從遠處看，一棵樹是一個斑點，一塊草地是一個斑點，一棟房子也可以是一個斑點等等。與單純的角點不同的是，斑點代表的是一個小的區域

   ，因此，它的穩定性更好，抗噪聲能力更強。
   對於斑點檢測，其實是找二階微分的極值點，當然不同方法，其二階微分運算元不一樣。常用的斑點檢測演算法有LoG，DoH以及Gilles等。這些演算法中的操作一般都比較耗時,並且斑點檢測一般只是預處理操作，完整的過程還包括斑點特徵描述，特徵匹配搜尋等，所以，人們一直在探索斑點檢測的快速演算法。終於，Lowe在前人研究的基礎上，提出了非常著名的裡程碑式的SIFT演算法，該演算法將斑點檢測，特徵描述以及特徵匹配搜尋結合在一起優化，極大地提高了效率。在斑點檢測中，Lowe提出了LoG的近似演算法DoG，提高了斑點檢測的效率。沿著Lowe的思路，Bay等人提出了SURF演算法
   ，對DoH進行了簡化和近似。
   1.1 一般斑點檢測的步驟為:
   (1)定義運算元，對影象進行卷積運算
   (2)搜尋區域性響應的峰值(極值)

2. 角點檢測
   角點可以從兩個不同角度定義：角點是兩個邊緣的交點；角點是領域內具有兩個主方向的特徵點。角點所在的領域通常也是影象中穩定的，資訊豐富的區域，這些領域可能具有某些特性，比如旋轉不變性，尺度不變性，仿射不變性和光照亮度不變性。
   角點檢測的方法也是極多的，基於影象灰度的方法通過計算點的曲率以及梯度來檢測角點，是目前研究的重點。角點檢測的方法具有代表性的演算法是Harris演算法與FAST演算法。