在机器视觉中，经常听到两个名字：角点、特征点。出现频率比较高的：角点检测、特征点匹配。
那么问题来了，角点和特征点到底什么关系？
**图像的特征点（feature point）**是指图像中具有鲜明特性并能够有效反映图像本质特征能够标识图像中目标物体的点。（反应图像特征的点）
**图像的角点（corner point）**作为图像关键的局部结构特征，通常被描述成灰度强度变化不连续的点，被称为灰度图像上的奇异特征点。
角点属于特征点，而特征点包括了角点以及其他点。因此可以把角点叫做特征点，但是不能认为特征点就是角点。
角点在图像特征点中占比很大，大部分的研究均围绕着它展开的。
角点的两种定义：1）二维灰度图像中各个不同方向灰度亮度信息剧烈变化的点；2）图像中所有边缘轮廓线上的曲率极大值点。
那么角点如何应用呢？
①获取图像角点（定位角点）
检测子（detector）提取：利用基于灰度强度、基于角点模型和基于边缘轮廓的角点检测算法获得图像中角点的位置。（SIFT算法、SURF算法、Harris算法、FAST算法等）
②描述图像角点（角点特征）
描述子（descriptor）提取：利用数值方法定义每个角点的特征，便于第三步的特征匹配。（邻域模板匹配、SIFT特征描述子、SURF特征描述子、ORB特征描述子）。
③匹配
通过描述子，匹配待匹配的两幅图像的角点。（暴力匹配、KD树等）
这里说一下sift
从上面的描述不难发现，sift即有自己的检测子，又包括了自己的描述子。因此有时候我们会看到，sift检测子，sift描述子之类的描述，你可能会问sift到底是啥？
sift是一个特征，可以用sift检测子从图像中检测出该特征，用sift描述子描述该特征。
这里再提一下sift描述子
描述子生成：
1）旋转图像至主方向
在角点的邻域内，把所有点的梯度方向统计至直方图（隔10°设置一个直方图，36个直方图），找到直方图中的值最大的方向为主方向。然后把两个待匹配的特征点的其中一个点进行旋转，保持两个特征点的主方向相同。
2）三线性插值
图像旋转后，原来在整点的像素点可能不在整点了，例如：原点为（2，4），旋转后是（3.5，3）。这样没法进行后续操作，因此需要插值，用非整点像素插值出整点像素。
3）生成128维特征向量
大家可以数一下4X4X8=128
总共有16个区域，每个区域16个像素点，把16个像素点的梯度化为8个方向的向量，类似于力合成与分解。
4）归一化向量
为了去除光照变化的影响，需要对特征向量归一化，每个向量除以总向量的L2范数。之后把归一化的向量中大于0.2的设置为0.2，再进行以此归一化。