一、检测边缘
从下图可以发现，边缘就是图像像素发生剧烈变化的地方，通过对图像求导找极值（极大值或极小值），就可以找到边缘。
现实很残酷啊，获得的图像可能含有噪声，于是有了下图，有了噪声求到的结果出现了无数多个极值，干扰我们获取边缘，有了噪声就去噪呗，使用高斯核先平滑再求导（二步），这个操作可以被（一步代替）将图像与高斯核的求导滤波器直接卷积。
高斯滤波的导数的相貌，那我们是不是可以认为高斯导数滤波可以帮我们找出边缘呢？！不同方向的高斯导数找到不同方向的边缘（图像对不同的滤波的产生的强烈响应位置不同），而且高斯导数中不同的sigma，对获取边缘的效果有很大的差异，平滑程度会影响梯度幅值，sigma越大，形成的边缘越明显。我们越容易找边缘。
如何确定边缘？（基本的认知：边缘点的梯度方向和边缘方向互相垂直）
通用的思想！
通过找同一梯度方向上最大（梯度是正的，所以只要极大值）的极值点来确定边缘点（体现了非极大值抑制），在确定了一个极大值点后，下一个极值点可能在垂直于当前极值点的梯度方向上，不断地迭代吧，最终找到的边缘点可以确定边缘。
左图利用了线性插值进行非极大值抑制，右图利用确定的边缘点寻找下一个边缘点。

结合具体算法！
canny边缘检测流程：
1.图像与高斯导数滤波做卷积（xy两个方向，计算幅值和方向）
2.非极大值抑制
3.双阈值检测，设定两个阈值，将边缘点分为强边缘点、弱边缘点、舍弃的边缘点。
4.抑制孤立的弱边缘点，查看弱边缘点及其周围8个像素点是否含有强边缘点，若有则保留该弱边缘点，形成边缘。

二、检测角点（获取具有辨别力的patch，角点的存在使得patch内像素值变化很大）
通过求矩阵M的特征值判别像素点是角点、边缘点、flat点。（计算Ix和Iy，也是利用高斯导数滤波），两个特征值都很大则是角点，有一个远大于另一个特征值则是边缘点，两个特征值都很小则是flat 点。
为了更简单的检测各种点，把上式表达利用一个公式转化为一个数值，响应值大于0则是角点、小于0则是边缘点、绝对值很小是flat 点：
角点检测流程：
1.计算所有像素点的响应值R（上述公式）
2.对像素点进行非极大值抑制（响应值与周围8个相比）

三、HOG特征描述子（为patch建立特征描述）
基本单位：cell，计算cell的梯度方向直方图。
多个cell 的梯度方向直方图拼接成block的梯度方向直方图，称为HOG特征描述子。

基本流程：
1.灰度化
2.采用Gamma校正法对输入图像进行颜色空间的标准化
3.计算梯度大小和方向
4.设定直方图的bin个数（通常为9），确定cell大小后计算cell的梯度方向直方图
5.根据block和cell关系，确定block的梯度方向直方图并做归一化，即确定了特征描述子。

四、SIFT
分为两步：提取关键点、描述关键点
1.尺度空间的极值检测
尺度空间所包含的寓意：图像尺寸大小、图像的模糊程度。
建立尺度空间是为了检测出在不同尺度下都存在的特征点！
如何检测特征点？可以用LOG算子，但计算量较大，SIFT用差分高斯（DOG）近似代替LOG找特征点。
图像金字塔->高斯金字塔->差分金字塔，比较某一像素点与同尺度和相邻尺度26个像素点值的大小，大于（或小于）所有的像素点就是特征点。
2.计算主方向
在尺度图像上计算特征点及其邻域的梯度赋值和方向，生成梯度方向直方图，寻找主方向（最大赋值对应的是主方向）。
3,构建特征点描述
校准主方向
对于特征点确定一个窗口大小，划分窗口为多个子窗口，每个子窗口计算一个梯度方向直方图，拼接多个子窗口的梯度直方图得到特征点描述。
归一化处理