在機器視覺中，經常聽到兩個名字：角點、特徵點。出現頻率比較高的：角點檢測、特徵點匹配。
那麼問題來了，角點和特徵點到底什麼關係？
**圖像的特徵點（feature point）**是指圖像中具有鮮明特性並能夠有效反映圖像本質特徵能夠標識圖像中目標物體的點。（反應圖像特徵的點）
**圖像的角點（corner point）**作爲圖像關鍵的局部結構特徵，通常被描述成灰度強度變化不連續的點，被稱爲灰度圖像上的奇異特徵點。
角點屬於特徵點，而特徵點包括了角點以及其他點。因此可以把角點叫做特徵點，但是不能認爲特徵點就是角點。
角點在圖像特徵點中佔比很大，大部分的研究均圍繞着它展開的。
角點的兩種定義：1）二維灰度圖像中各個不同方向灰度亮度信息劇烈變化的點；2）圖像中所有邊緣輪廓線上的曲率極大值點。
那麼角點如何應用呢？
①獲取圖像角點（定位角點）
檢測子（detector）提取：利用基於灰度強度、基於角點模型和基於邊緣輪廓的角點檢測算法獲得圖像中角點的位置。（SIFT算法、SURF算法、Harris算法、FAST算法等）
②描述圖像角點（角點特徵）
描述子（descriptor）提取：利用數值方法定義每個角點的特徵，便於第三步的特徵匹配。（鄰域模板匹配、SIFT特徵描述子、SURF特徵描述子、ORB特徵描述子）。
③匹配
通過描述子，匹配待匹配的兩幅圖像的角點。（暴力匹配、KD樹等）
這裏說一下sift
從上面的描述不難發現，sift即有自己的檢測子，又包括了自己的描述子。因此有時候我們會看到，sift檢測子，sift描述子之類的描述，你可能會問sift到底是啥？
sift是一個特徵，可以用sift檢測子從圖像中檢測出該特徵，用sift描述子描述該特徵。
這裏再提一下sift描述子
描述子生成：
1）旋轉圖像至主方向
在角點的鄰域內，把所有點的梯度方向統計至直方圖（隔10°設置一個直方圖，36個直方圖），找到直方圖中的值最大的方向爲主方向。然後把兩個待匹配的特徵點的其中一個點進行旋轉，保持兩個特徵點的主方向相同。
2）三線性插值
圖像旋轉後，原來在整點的像素點可能不在整點了，例如：原點爲（2，4），旋轉後是（3.5，3）。這樣沒法進行後續操作，因此需要插值，用非整點像素插值出整點像素。
3）生成128維特徵向量
大家可以數一下4X4X8=128
總共有16個區域，每個區域16個像素點，把16個像素點的梯度化爲8個方向的向量，類似於力合成與分解。
4）歸一化向量
爲了去除光照變化的影響，需要對特徵向量歸一化，每個向量除以總向量的L2範數。之後把歸一化的向量中大於0.2的設置爲0.2，再進行以此歸一化。