在正式進入具體應用之前，比如圖像拼接，我們先理解清楚涉及圖像拼接會用到的算法以及openCV實現這些算法的函數等，需要點耐心，這及章節的內容均來自於openCV官方文檔，學完這幾節內容，相信對你後續的應用有很大的幫助。
本文是對官方文檔的翻譯並舉例說明，原文地址：https://docs.opencv.org/3.4.1/df/d54/tutorial_py_features_meaning.html
本章目標
在這個章節，我們將嘗試理解什麼是圖像的特徵，並嘗試回答為什麼圖像特徵非常重要，為什麼查找圖像的角點很重要等問題。
你們大多數人都玩過拼圖遊戲。你會得到很多圖像的小塊，你需要把它們正確地組合起來，形成一個大的真實圖像。問題是，你是怎麼做到的？把同樣的理論投射到電腦程序上，讓電腦玩拼圖遊戲，電腦該怎麼做？如果計算機可以玩拼圖遊戲，為什麼我們不能給計算機提供許多真實的自然美景的圖像，並告訴它把所有這些圖像拼接成一個大的單一圖像呢？如果電腦能把幾張自然圖像拼接到一張上，那是不是可以把建築物或任何結構的大量圖片給電腦，讓電腦從中創建一個三維模型呢？
問題和想象還在繼續。但這一切都取決於這些最基本的問題：你如何玩拼圖遊戲？你如何將許多雜亂的圖像塊排列成一個大的單一圖像？你怎麼能把許多自然的圖像縫合到一個單一的圖像?
答案是，我們很容易通過尋找特定的模式或特定的特性，比較拼圖的相似性來完成遊戲。但如果我們要定義這些特性，我們可能會發現很難用語言來表達它，但是我們知道它們是什麼。如果有人讓你指出一個或多個圖像中的特性，你可以很快指出至少一個。這就是為什麼即使是小孩子也能簡單地玩這些遊戲。我們在一張圖片中搜索這些特徵，找到它們，在其他圖片中尋找相同的特徵並將它們對齊。就是這樣。(在拼圖遊戲中，我們更關注不同圖像的連續性)。所有這些能力都是與生俱來的。
所以，我們把上面的基本問題延申出更具體的問題，就是這些特性是什麼？(答案對電腦來說也應該是可以理解的。），很難說人類是如何發現這些特徵的。這已經在我們的大腦中編程了。但是如果我們深入研究一些圖片，尋找不同的圖案，我們會發現一些有趣的東西。例如，如下圖所示:
圖像非常簡單。在圖像的頂部，給出了六個小圖像塊。你的任務是找到這些補丁在原始圖像中的確切位置。你能找到多少個正確的結果？A和B是平面，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。你可以找到一個大致的位置，但準確的位置仍然是困難的。這是因為沿邊緣的所有地方的模式都是相同的。然而，在邊緣，它是不同的。因此，與平面區域相比，邊緣是更好的特徵，但還不夠好(在拼圖遊戲中，邊緣的連續性比較好)。最後，E和F是建築的一些角落。而且很容易找到。因為在角落裡，無論你移動這個補丁，它看起來都不一樣。所以它們可以被認為是好的特性。
因此，現在我們轉向更簡單(和廣泛使用的圖像)以便更好地理解。如下圖：
就像上面一樣，藍色方框的區域是平坦而均勻的，很難找到和跟蹤。無論你把藍色的補丁移到哪裡，它看起來都是一樣的。黑色方框的區域有一條邊。如果你在垂直方向移動它，它就會改變。沿著邊緣移動(平行於邊緣)，它看起來是一樣的。對於紅色方框區域，它是一個角。無論你移動補丁到哪裡，它看起來都不一樣，這意味著它是獨一無二的。基本上，角被認為是圖像中很好的特徵。(不只是角，在某些情況下，blob（斑塊）被認為是很好的特性)。
現在我們回答了這個問題，“這些特徵是什麼?” 但下一個問題出現了。我們怎麼找到他們？或者我們怎麼找到角？我們用直觀的方式回答了這個問題。在圖像中尋找那些在移動時(少量移動)周圍所有區域變化最大的區域。這將在接下來的章節中被投射到計算機語言中，而找到這些圖像特徵的過程就叫做特徵檢測。
我們在圖像中找到了特徵。一旦你找到了它，你應該能夠在其他圖片中找到相同的。這是怎麼做到的？我們取一個特徵周圍的區域，用我們自己的話來解釋，比如“上方是藍天，下方是建築的區域，建築上有玻璃等等”，然後在其他圖片中搜索相同的區域。基本上，您是在描述特性。同樣，計算機也應該描述特徵周圍的區域，以便在其他圖像中找到它。所謂的描述就是特徵描述。一旦你有了特徵和它的描述，你就可以在所有的圖像中找到相同的特徵，然後對齊它們，把它們縫在一起，或者做任何你想做的事情。
因此，在本模塊中，我們將在OpenCV中尋找不同的算法來尋找特徵，描述它們，匹配它們等等。
閱讀更多 閒著學點什麼 的文章
