第5章 · 特征提取

第 5 章 · 特征提取

章节摘要：特征 = 可匹配、可区分的局部描述。本章动手 Harris 角点、SIFT/SURF/ORB 描述子、BFMatcher 匹配与单应估计——SOURCE 第 5 章局部特征。

本节导读

1. Harris 角点响应可视化
2. 提取 SIFT/ORB 描述子并匹配
3. 用 RANSAC 单应矩阵做拼图

核心概念速览

本章学习建议

第 5 章是全书的高潮，把前四章的积累汇聚成"特征提取与匹配"这个完整能力。核心问题是：如何让计算机判断"两张图像里的两个点是同一个物理点"。答案分两步——检测（找到可重复的关键点）和描述（把关键点附近的局部外观变成向量），再靠向量距离做匹配。学习时注意把握"可重复性"这个贯穿全章的概念：为什么角点比平坦区域更适合做特征？为什么 SIFT 要引入尺度空间？为什么 ORB 要计算方向？所有设计都是为了让同一物理点在视角变化下仍能被检出、被匹配。

本章阅读节奏

5.1 角点与关键点讲 Harris 和 SIFT 检测，5.2 描述子讲 SIFT 128 维和 ORB 二进制的生成，5.3 讲匹配、RANSAC 和全景拼接应用。三节层层递进，建议一气呵成读完并完成最后的拼接验收实验——那是本教程最有成就感的动手项目。学完本章，你应该能回答：Harris 为什么对尺度变化敏感而 SIFT 不敏感？SIFT 和 ORB 的距离度量为什么不同？Lowe ratio test 解决什么问题？RANSAC 为什么能滤掉误匹配？

从本章开始，你应该建立"特征即向量"的抽象：任何局部特征——不管来自传统算法还是深度学习——最终都表示成一个数值向量，后续的匹配、检索、建图都是在这组向量上做距离计算。这个抽象是理解 SLAM、图像检索、三维重建等高级任务的基础，也是全书最后想留给你的思维框架。

本章还隐含着一条从经典到现代的线索：Harris 和 SIFT 定义了"局部特征"的标准（检测加描述），深度学习的卷积特征沿用了"局部感知"的思想，只是把特征学习自动化了。读完本章建立的"特征即向量、匹配即距离"框架，会在你学习深度学习视觉时反复发挥作用，请务必掌握扎实。