上面说的“可关联性”，举一个例子，比如我们拍摄一个凹凸不平的金属表面，在某个角度拍的时候，从图像中可以看到这些凹凸不平的地方，但是换个角度（或者光照发生变化）拍就看不到了。这样的特征点就是不可重复的，不具有可关联性。

        特征描述子也叫特征描述符，一般是带有一定维度的特征向量。 

         图像边缘提取

         图像边缘提取在很多应用中都需要，比如自动驾驶中的车道线提取，生物影像中血管、细胞的边缘，自动驾驶中语义分割等。

        对于一副图像，物体的边缘在哪里呢？

        边缘的定义和具体应用相关，比如对于上面的图像来说，如果目标是：1. 提取出图片中的大象边缘；或者 2.提取出图片中大象的象牙边缘。那么实际上对应的边缘是不一样的。

        上图是一般情况下人对边缘的解读，上面的边缘忽略掉了大象的内部细节比如眼睛、耳朵的边缘。注重于大象与大象之间的区分。

        上图是使用某种边缘检测算法计算后得到的边缘，由于两只大象的颜色是相近的，因此左边大象头部和右边大象身体的差异不大，因此算法得到的结果更多地反映了大象和背景的区分。

        实际应用中，某些情况下边缘是很难定义和识别的，如上图物体本身颜色和背景颜色相近，物体本身有半透明的地方，自身形状颜色也有很多相似性。

        上图中，看起来山的边缘似乎很明显，但实际上原图尺寸很大，对某个局部进行边缘检测后，会得到如下结果： 

         初始提取的结果是第二幅图，即便是通过调整阈值做增强处理，得到的结果仍然很杂乱，难以找到准确的边缘线。

        图像处理中，通常使用卷积来做各种运算，比如均值滤波，边缘检测等。

        下面是对图像某一行（红线标记）进行x方向上梯度计算的例子， 由于图像像素是离散的，梯度计算实际就是进行差分计算。