⚠️由於自己的拖延症，3.4.3翻到一半，OpenCV發佈了4.0.1了正式版，所以接下來是按照4.0.1翻譯的。
⚠️除了版本之外，其他還是照舊，Understanding Features，附原文。
目標
在這一章中，我們將只是嘗試理解什麼是特徵，爲什麼它們很重要，爲什麼角很重要等等。
解釋
你們多數人都肯定玩過拼圖遊戲。你有某張圖片的一大堆的碎片，你需要把他們正確的整合起來，形成一張真正的大圖片。那麼問題來了，怎麼做呢？把同樣的理論應用到電腦程序中，讓電腦玩拼圖遊戲，怎麼樣？如果電腦會玩拼圖遊戲，爲什麼我們不能給電腦一堆真是的美麗風景圖，然後讓它把他們縫合在一起成一張大圖呢？如果計算機能將幾張自然圖像拼接成一幅，那麼給出一堆建築或任何結構的圖片，並讓計算機從中創建一個3D模型，會怎麼樣呢？
好吧，讓問題和想象繼續。但這完全取決於最基本的問題：你如何玩拼圖遊戲？如何將大量的圖像碎片排列成一個大的單一圖像？你怎麼去把許多自然圖像縫到一張圖像上？
答案是，我們要去尋找獨特的、易於跟蹤的、易於比較的特定模式或特定特性。如果我們非要找個定義來描述這種特徵，我們可能會發現很難用語言來表達它，但我們知道它們是什麼。如果有人讓你指出一個好的特徵，可以在多個圖像之間進行比較，你卻可以指出一個。這就是爲什麼即使是小孩子也能簡單地玩這些遊戲。我們在一幅圖像中搜索這些特徵，找到它們，在其他圖像中尋找相同的特徵並對齊它們。就是這樣。(在拼圖遊戲中，我們更關注不同圖像的連續性)。所有這些能力都是我們與生俱來的。
所以現在，我們的基本問題又多了一個，但卻變得更細節了。是這些特徵是什麼？(你的答案要讓計算機也能“聽懂”哦。)
很難講人類到底是咋發現這些特徵的。它老早已經在我們腦瓜子裏編碼好了。但如果我們仔細觀察一些圖片，搜索不同的特徵，我們會發下一些有趣的事情，比方說，如下圖：
這圖片很簡單。在圖片上方，給出了六張小的圖片碎片。留給你的問題是要在原始圖像中找到這些碎片的準確位置。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。很難找到這些碎片的確切位置。
而C和D就要簡單得多了。它們是建築的邊緣。你可以找到一個近似的位置，但要定出一個確切的點還是要花點功夫。這是因爲沿着邊緣的模式都是一樣的。但在垂直於邊緣的方向上，情況就不同了。因此，邊緣比平坦區域的特徵更好，但還不夠好(在拼圖中比較邊緣的連續性很好)。
最後，E和F是一些建築的角。它們就可以被輕鬆的找到。因爲在針對這些角，無論你往什麼方向移動這個碎片，它看起來都不一樣。所以它們可以被認爲是很好的特徵。爲了更好地理解，現在我們來看看更簡單的(並且被廣泛使用的)圖像。
就像上面一樣，藍框碎片是平坦的區域，很難去尋找和跟蹤。無論你怎麼移動藍框碎片，它看起來都是一樣的。黑框碎片裏面有一條邊。如果你沿着垂直方向移動它(即沿着圖像梯度)它就會改變。沿着邊緣移動(平行於邊緣)，看起來是一樣的。對於紅框碎片，它是一個角。無論你移動碎片到哪裏，它看起來都不一樣，意味着它是唯一的。基本上，角被認爲是圖像中很好的特徵。(不僅僅是角落，在某些情況下，半點也被認爲是很好的特特徵)。
現在我們回答了剛纔的問題，“這些特徵是什麼？”。但下一個問題出現了。我們如何找到他們？或者我們怎麼去找這些角呢？我們用直觀的方式來回答這個問題，即，尋找當圖像在移動(少量移動)時，引發變化最大的區域。這將在接下來的章節中被投射到計算機語言中。那麼，尋找這些圖像特徵稱爲特徵檢測。
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像中找到相同的。這是怎麼做到的？我們取一個區域圍繞着這個特徵，我們用自己的語言解釋它，比如“上面的部分是藍天，下面的部分是建築的區域，在那個建築上有玻璃等等”，然後你在其他圖像中搜索相同的區域。基本上，你在做的就是在描述特性。類似地，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。這就是我們說的特徵描述。一旦你有了特徵和特徵描述，你可以在所有的圖像中找到相同的特徵，並將它們對齊，將它們縫在一起或做一些任何你想做的事情。
所以在這個模塊中，我們在OpenCV中尋找不同的算法來尋找特徵，描述它們，匹配它們等等。
額外資源
練習
上篇：【翻譯：OpenCV-Python教程】用GrabCut算法進行交互式的前景提取