Image processing 特征检测和描述符提取之间的区别是什么？

有人知道OpenCV 2.3中特征检测和描述符提取之间的区别吗

---

我知道使用描述符匹配需要后者。如果是这种情况，功能检测用于什么？

功能检测

• 在计算机视觉和图像处理中，特征检测的概念是指旨在计算图像信息的抽象并在每个图像点作出局部决策的方法，无论该点是否存在给定类型的图像特征。生成的特征将是图像域的子集，通常以孤立点、连续曲线或连接区域的形式出现
  特征检测=如何在图像中找到一些有趣的点（特征）。（例如，查找角点、查找模板等。）

特征提取

• 在模式识别和图像处理中，特征提取是降维的一种特殊形式。当算法的输入数据太大而无法处理，并且被怀疑是众所周知的冗余数据（数据多，但信息不多），则输入数据将转换为特征的简化表示集（也称为特征向量）。将输入数据转换为特征集称为特征提取。如果仔细选择提取的特征，预计特征集将从输入数据中提取相关信息，以便使用这种简化表示而不是全尺寸输入执行所需任务
  特征提取=如何表示我们发现的感兴趣点，并将其与图像中的其他感兴趣点（特征）进行比较。（例如，该点的局部区域强度？该点周围区域的局部方向？等等）

实用示例：您可以使用harris角点方法找到角点，但您可以使用任何您想要的方法（例如直方图、HOG、第八邻接中的局部方向）来描述它。

---

您可以在这里看到更多信息。

这两个方面，

特征检测

和

特征描述符提取

都是基于特征的图像配准的一部分。只有在整个基于特征的图像注册过程的上下文中查看它们，才能理解它们的工作是什么

基于特征的配准算法

来自的以下图片显示了这样一个注册管道：

数据采集：将输入图像和参考图像输入算法。图像应该从稍微不同的视点显示相同的场景

关键点估计（特征检测）：关键点（）是点云中具有以下特征的点：

它有一个清晰的，最好是有数学基础的定义

它在图像空间中有一个明确的位置

兴趣点周围的局部图像结构具有丰富的局部信息内容。
OpenCV附带了几种功能检测的实现，例如：

图像中的这些显著点非常有用，因为它们的总和表征了图像的特征，并有助于区分图像的不同部分

特征描述符（描述符提取器）：检测到关键点后，我们继续为每个关键点计算描述符。“局部描述符是点的局部邻域的紧凑表示。与描述完整对象或点云的全局描述符不同，局部描述符试图仅在点周围的局部邻域中相似形状和外观，因此非常适合在匹配方面表示。”OpenCV选项：

对应关系估计（描述符匹配器）：下一个任务是查找两幅图像中找到的关键点之间的对应关系。因此，提取的特征被放置在一个可以有效搜索的结构中（例如一个）。通常，只需查找所有局部特征描述符，并将它们中的每一个与另一幅图像中对应的描述符进行匹配即可。然而，由于来自相似场景的两个图像不一定具有相同数量的特征描述符，因为一个云可能比另一个云具有更多的数据，因此我们需要运行一个单独的对应拒绝过程OpenCV选项：

通信拒绝：执行通信拒绝的最常见方法之一是使用（随机样本一致性）

变换估计：计算两幅图像之间的稳健对应关系后，使用

绝对方向算法

计算变换矩阵，该矩阵应用于输入图像，以匹配参考图像。有许多不同的算法方法可以做到这一点，一种常见的方法是：（SVD）