1. 进行特征提取是因为如果直接对pixels进行操作，因为很多时候pixel与pixel之间变化不大，所以冗余的计算会很多
2. feature types主要分为三种，分别为colour features，texture features以及shapefeatures
features需要满足尺度不变性及旋转不变性
colour features是计算最简单的一个，colour histogram可以将其量化（用RGB分开成三张），另一种表示方法为colour moments (first-order moment, second-order moment,third-order moment)
texture features为纹理特点，变化剧烈容易捕捉，Haralick Features对高维度的数据进行分析，将接近的点进行压缩从而进行降维（首先创建GLCM，即灰度空间矩阵，然后根据对其计算从而对texture进行描述）
P(a, b)中，a表示的是距离，b表示的是度数，后面的matrix则想象成一个表格，以第一个为例，左上角为有几个0的旁边也是0的情况(因为距离1，度数0)，图中00在一起的出现了两次，左右两个方向所以一共四次。然后根据不同方法从而计算特征，如ASM可以反应纹理的均匀程度及粗细程度，entropy反应纹理复杂程度
3. Local binary patterns: 对中心点周围的点重新进行赋值，原始点比中心点小即为0，其他则为1
对于高分辨率也可以进行圆周采样，且由于旋转不变性，我们可以将通过圆周LBP的数字进行一位位的右移，调整成最小的数字，由于有些数字调整之后会得到一样的数字，从而减少需要考虑的情况
增强型旋转不变性则是指通过计算出现0到1或者1到0变化的次数而进一步进行分类的方法
4. SIFT
a) 尺度空间极值检测：find maxima/minima in DoG images across scales
b) 给keypoints分配一个或多个方向
c)用gradient orientation histogram描述keypoint
Gaussian是唯一一个可以保证尺度不变性的函数
找到keypoint之后要去除低对比度的点（因为图像为离散数值，所以找到的极值点不一定为真正的极值点），hessian可以去掉edge
histogram里横坐标表示度数（8bins意味着360°要分成8份），占比最大的为主方向（dominant orientation）
5. Descriptor Matching：NNDR是用来算距离的，SIFT的应用是找到两个图的keypoints，从而将两个图片拼在一起
6. 笛卡尔坐标系与极坐标系的转换，如(a,b,w)转为笛卡尔就是(a/w, b/w)，故而要表示无穷远可以将w设为很小，如0
transformation中的scale是比例变化，PPT中为笛卡尔表示，其中Sx Sy为分别对x y进行变化，而projective中的i是对整体进行变化，cf是投影
7. r theta表示法：如y=ax+b上两个点分别表示为r=x0cos(theta0)+y0sin(theta0)
以及r=x1cos(theta1)+y0sin(theta1)，从而将直线表示为两个cos sin曲线的交点
同时y=3这种直线不好用y=kx+b表示，也可以转变成胡夫变换
8. RANSAC fitting：正态分布很适合用least-square，因为很好拟合，但是这种方法容易被noise干扰，故而可以使用迭代算法RANSAC，随机选择一个子集，然后尝试进行拟合，再根据其他的点判断拟合的正确性，正确性低时重新找新的子集，如果有合适的点就扩充子集
9. 要进一步对feature进行encoding，即将单个空间拟合到别的空间里，如BoW
第一步其中一个步骤是clustering，这个步骤的方法有k-means，即有k个类别
转成histogram