8.1. 了解功能¶
8.1.1. 目标¶
在这一章中，我们将试着理解什么是特征，为什么它们是重要的，为什么角落是重要的等等。
8.1.2. 解释¶
你们大多数人都会玩拼图游戏。你会得到很多小的图像片段，你需要把它们正确地组合起来形成一个大的真实图像。 问题是，你是怎么做到的？ 把同样的理论投射到计算机程序中，这样计算机就可以玩拼图游戏了，那又如何呢？如果电脑能玩拼图游戏，为什么我们不能给电脑很多真实的自然风景图片，让它把所有这些图片都缝成一个大的单幅图片呢？如果计算机可以将几个自然图像拼接到一个图像上，那么给出一个建筑物或任何结构的大量图像，并告诉计算机从中创建一个三维模型如何？
好吧，问题和想象还在继续。但这一切都取决于最基本的问题？你怎么玩拼图游戏？你如何将大量杂乱的图像片段排列成一个大的单个图像？你怎么能把很多自然图像缝成一幅呢？
答案是，我们正在寻找独特的特定模式或特定特征，这些模式或特征很容易被跟踪，也很容易被比较。如果我们去定义这样一个特征，我们可能会发现很难用语言来表达，但我们知道它们是什么。如果有人让你指出一个好的特征，可以在几个图像之间进行比较，你可以指出一个。这就是为什么，即使是小孩子也可以简单地玩这些游戏。我们在图像中搜索这些特征，找到它们，在其他图像中找到相同的特征，然后将它们对齐。就这样。（在拼图游戏中，我们更关注不同图像的连续性）。所有这些能力都存在于我们内在。
因此，我们的一个基本问题在数量上扩大到更多，但变得更加具体。 这些功能是什么？ . （计算机也应该能理解答案。）
很难说人类是如何发现这些特征的。它已经在我们的大脑中被编程了。但如果我们深入研究一些图片，寻找不同的模式，我们会发现一些有趣的东西。例如，如下图所示：
形象很简单。在图像的顶部，给出了六个小的图像块。问题是在原始图像中找到这些补丁的确切位置。你能找到多少正确的结果？
A和B是平面，它们分布在很多区域。很难找到这些补丁的确切位置。
C和D要简单得多。它们是建筑物的边缘。你可以找到一个大概的位置，但准确的位置仍然很困难。因为，沿着边缘，到处都是一样的。垂直于边缘，它是不同的。因此，边缘比平坦区域的特征要好得多，但还不够好（在拼图中比较边缘的连续性是很好的）。
最后，E和F是大楼的一些角落。它们很容易被发现。因为在角落里，无论你在哪里移动这个补丁，它都会看起来不同。所以它们可以被认为是一个很好的特性。因此，现在我们进入更简单（和广泛使用的图像）更好的理解。
和上面一样，蓝色区域是平坦的，很难找到和追踪。无论你在哪里移动蓝色的补丁，它看起来都一样。对于黑色斑块，它是一个边缘。如果沿垂直方向（即沿梯度）移动，则会发生变化。沿边放（平行于边），看起来一样。对于红色补丁，它是一个角落。无论你在哪里移动补丁，它看起来都不一样，意味着它是独一无二的。所以基本上，角点被认为是图像中的好特征。（不仅仅是角点，在某些情况下，blob被认为是好的特性）。
所以现在我们回答了我们的问题，“这些特性是什么？”. 但下一个问题出现了。我们怎么找到他们？或者我们如何找到角落？。这也是我们用一种直观的方式来回答的，也就是说，在图像中寻找在其周围所有区域移动（少量）时变化最大的区域。这将在接下来的章节中投射到计算机语言中。所以找到这些图像特征称为 特征检测 .
所以我们在图像中找到了特征（假设是你做的）。一旦你找到了它，你应该在其他图像中找到相同的。我们做什么？我们在特征周围取一个区域，用我们自己的话来解释，比如“上面是蓝天，下面是建筑区域，在那栋建筑上有一些眼镜等”，然后在其他图像中搜索相同的区域。基本上，你是在描述这个特性。同样，计算机也应该描述特征周围的区域，以便在其他图像中找到它。所谓的描述叫做 特征描述 . 一旦你有了这些特征及其描述，你就可以在所有的图像中找到相同的特征，并将它们对齐、缝合或做任何你想做的事情。
因此，在本模块中，我们将寻找OpenCV中的不同算法来查找特征、描述特征、匹配特征等。