目标
-在这个章节，我们试着去理解什么是“特征（features）”。
说明
我们大多数人都玩过拼图游戏，将一小块一小块的图片拼成一个完整的大图。让我们思考这样一个问题：我们怎样拼凑它们？如果将相同的原理编入计算机，计算机也能完成拼图游戏吗？如果答案是肯定的，那可不可以给计算机一些现实中的自然景色图片，让它拼接成一张全景大图，如果这也可以办到，那能不能输入一些建筑物或者类似的图片，让计算机建个3D模型呢？
思维可以继续发散，但都基于一个基本问题：我们是如何思考并进行拼图游戏的？我们怎么来排布一个个自然图像的碎片，使它们拼成一张大图，还原它的样子。
答案是，我们总是会寻找图片中独一无二的特征部位，可以一眼认出的，和其他图片存在明显区别。如果试着解释我们是如何找出这些特征部位的，也许很难找出合适的语句来描述，但我们就是知道它是。如果有人让你找出一个明显区别于其它图片的特征部位，你一定能找出来，这就是为什么小孩子都能把这个游戏玩起来。我们寻找图片中的某些特征，找到它们，接着寻找和他们有相似特征的碎片，拼凑起来，知道完成。这样的能力也是我们与生俱来的。
我们对问题展开思考了很多，但有了一个更具体的描述，什么是图像的特征？（答案也要是计算机也能理解）
很难描述在寻找特征的过程中我们是如何思考进行的。但是我们深入的寻找图片之间的不同时，我们会发现一些有趣现象，举个例子，看下面的图片
在图片的上方，给出了6张小图。请你在原图中找出它们各自的位置。你能给出多少种正确答案？
A 和 B 表面很单一，没什么具体特征，可能分布在许多区域上，很难找出一个明确的位置。
C 和 D 倒是稍微好找一点，它们是大楼的边缘部位，你可以找到一个大致的位置，不过依然很难给出精确定位。这是因为大楼边沿各个部分都长一样的，虽然相比平坦部位更容易认出，但还不足以明确确定。
最后，我们来看 E 和 F 。它们是大楼的顶角。可以轻易认出。因为这些顶角，只要移动到其他位置，大楼就变形了，既不能放在大楼里面，也不可能凭空漂浮在天上，它们只能被放在顶角该在的部位。所以可以当成大楼的一种特征，顶角。确定了大楼的位置和轮廓。下面我们换一种理解方式。
如上图所示，蓝色线框标记的区域，表面平滑，颜色单一，稍微上下左右移动也不会破坏图片的形状，很难定位它的准确位置。黑色线框标记的部分是边缘地带，如果垂直移动它，图片会变形，但如何沿着边缘移动，图像也不会有什么变化。那么来看红色线框标记的区域，是一个角 ( corner )，随意移动一点图像就会变形，所以它只能在那个位置，这是角是独一无二，不可移动的，它就在那，，也只能在那，这就可以被认为是这个绿色矩形的一个特征。（不仅仅是角，有时候斑点什么的也都能被当成特征）。
现在我们应该解释了什么是特征，那接下来还有个问题？怎么找到它们呢？或者说我们怎样找到这个角呢，在思考的过程中，我们已经直观的回答了这个问题。寻找图片中的只要稍微一移动就会使图片严重变形的区域，这个区域被认定为该图的特征。在下一节中这种方法会在计算机里编程实现。这样一个寻找特征的过程就叫 特征检测（Feature Detection）
我们找到图像的一些特征，然后我们可以在其他图片中找到类似的特征，这是怎样实现的呢？我们获取特征区域，用我们的语言描述它们，比如“图的上方是天空，下面有一幢大楼，大楼上有好多玻璃”，然后我们可以在其他图片中寻找相似特征的区域。上面我们对图像的特征进行了描述，类似的，计算机也可以描述一些特征然后去其他图片上找相似的地方。这样一个描述被称作 特征描述（Feature Description）。一旦你有一种特征并有它的描述，你就可以在其他图片中找出相似甚至相同的部分。
原文：
http://docs.opencv.org/3.2.0/df/d54/tutorial_py_features_meaning.html
