特征提取和描述是基于特征的图像处理和计算机视觉的基础环节,特征检测算子的检测性能和描述算子的表针性能直接决定了图像处理的效率和精度。在实际问题中图像可能受到噪声、背景的干扰,也可能发生视角、光照、尺度、平移、旋转、仿射等变化,如何选择合理的图像特征和描述算子,使得这些特征不仅具有良好的表针性能,而且在上述变化下保持不变?以计算机视觉的不变理论为基础,对图像特征的不变性研究随之成为图像处理的一个重要环节,吸引了众多研究工作者的兴趣。本文针对以上难点做了以下几方面的工作:特征点检测在图像处理中是一个基础的研究课题.之前的研究都是基与灰度信息.但有时,图片的颜色特征非常重要,同时,特征检测的速度也非常重要,因此,本文提出了一种新的特征检测算法:颜色空间下基于积分图像的多尺度特征点检测算法(Under Color multi-scale feature detection based on integral image-CLoM);该方法首先将颜色图片转化为积分形式.然后对三个颜色通道建立尺度空间.并用Hessian检测出侯选点.选择在三个通道和所有尺度空间上的极值点为特征点..为使提取的特征具有很好的奇异性,这就需要为特征设计一个区分度好的确定性的描述算子,并且对图像的光照、位移、视角、噪声等有较强的适应能力。本文提出了一种新的特征描述算子:极坐标下的微分描述算子(HWDH),其基本原理是在对数-极坐标系下,对特征点圆形邻域内的像素点的微分值进行高斯加权并作3D直方图统计,形成一个36维的特征描述向量在将本文的特征点检测和描述算法应用于图像配准时,为克服目前很多图像配准技术只适用于图像间存在小角度旋转(约为0～5°)的不足,本文构建了一种新的局部梯度方向直方图,同时定义了特征点的主方向,从而提出了一种具有旋转不变性的图像配准算法。首先采用高斯加权求模技术,对特征点邻域内的像素的梯度作直方图统计,确定出具有旋转不变性和抗噪性的特征点主方向。然后用主方向作角度直方图统计,精确确定待配准图像之间的旋转角度。这样,使得新配准算法对于图像间旋转角度的范围没有限制。最后,本文通过大量实验及分析,证明了新的特征点检测算法和描述算法具有良好的不变性能,并且在改进的图像配准算法中实现了良好的应用效果。