由于数字图像[5]特征的重要性，所以早年在这方面也投入了很多研究[6]，并且也取得了许多研究成果，但是对于计算机视觉等领域而言，考虑到角点检测[7]对于图像匹配的重要性，学术界在此基础之上又进行了长达十余年的广泛研究，基于不同的出发点还有不同的思路，也取得了一系列成果，在不同的问题背景之下也显现了它们各自的应用价值。68349

到目前为止，角点在图像处理领域中还没有很好的数学定义，仍然存在着多种数学的描述方法，因而在许多的相关文献中也涌现出了很多角点检测方法。目前科学界关于角点的描述大体有以下几种： 

1.角点是物体两条以上边缘线的交叉点；

2.角点是物体边缘变化不连续的点的位置；

3.角点是一阶导数（即灰度的梯度）的局部最大所对应的点的位置；

4.角点处的一阶导数最大，而二阶导数为零；

5.角点处的灰度变化率的值最大。论文网

直白说来，角点就是那些和周围邻点有着明显差异的点，它指示出了图像在二维空间内那些灰度变化剧烈的位置。

图像目前检测角点方法很多，具体分有三大类：

一、基于模板的角点检测方法

第一步先建立一系列角度不同的角点模板，然后在窗口内计算模板与图像子窗口的相似程度，由此来检测图像[8]中的角点是否为位于子窗口中心的像素。此方法主要考虑邻域点像素的灰度变化，将与邻点亮度对比足够大的点定义为角点。一般步骤可归纳为先建立角点结构的数学模型，设计角点检测使用的模板，计算该模板与图像的自相关函数，使用该自相关函数进行角点检测。这种算法具有旋转不变性和不随光照条件改变而改变的优点，但是它的计算有较大的冗余，阈值的选取必须经过多次实践。

二、基于边缘特征的角点检测方法

最早的方法是基于边缘轮廓链码的角点检测方法。此类方法要对图像进行预处理，大致可分为以下三个步骤：第一，对图像进行预分割；第二，将得到的图片中边界轮廓点进行顺序编码，得出边缘轮廓链码；第三，通过边缘轮廓链码信息进行图像角点的提取。此方法主要存在的问题是边缘提取算法对角点的决定性很大，假设边缘线中断，将会对角点检测的结果造成很大的影响。

三、基于灰度变化的角点检测方法

这类方法主要是通过计算曲率及梯度来实现角点检测的目标。虽然不再对边缘产生依赖，但是它不能有效的精度定位。因为角点的真实位置跟梯度与曲率乘积的局部极大值点之间仍存在较大的偏离。一般情况下基于灰度计算方法需要用到图像灰度的一阶或二阶导数，但是求导阶数越高，对图像中的噪声也越敏感