1、提取 特征點 、特征描述子 與 提取特征向量 之間的區別：

　　(1)、特征點：指的是一張圖片上比較有代表性的‘位置’，提取特征點就是把圖片中這些有代表性的位置給標出來。

　　(2)、特征描述子：當提取出特征點之後，由於特征點是圖片的某個位置，為了能夠進行數學計算，我們需要給這些“位置”用一個數學方法來描述，於是可以用一個向量v來表示每一個位置。而這個向量就叫做 特征描述子。

　　(3)、特征向量：指的是通過對圖片在像素層面上做一些變換(LBP、顏色特征、Sift、surf)之後，生成一個向量V，用這個向量就可以表示整張圖片，這個向量就稱為特征向量。

2、理解SIFT圖像檢索與聚類算法的關系。

　　(1)SIFT特征提取的流程：

　　　　①圖片描述子建立：對一張圖片進行特征點的提取(找到圖片中有代表性的位置)，並分別對這張圖片中的每個特征點用特征描述子描述來描述（設這張圖片有1000個特征點，每個描述子是128維向量）。

　　　　　　算法核心思想：https://blog.csdn.net/weixin_38404120/article/details/73740612

　　　　②引入詞袋模型：https://blog.csdn.net/garfielder007/article/details/51475550

　　　　　　- 現在對圖像庫中所有圖片（設有50張圖片）的所有特征點（設每張圖片特征點個數都為1000）進行提取並且建立描述子

　　　　　　- 現在引入 K-means 聚類算法，給這50 x 1000個描述子分成64類，即設定聚類中心為64，然後通過學習得到這50 x 1000個描述子應該各自在哪一類下。

　　　　　　- 這樣這64個類的每一類中都有 >不同個數；> 來自不同圖片的描述子。

　　　　　　- 當完成聚類後，這樣64維的每一維度就相當於一個描述子集合，把每一個維度的這樣的描述子集合稱為“詞袋”

　　　　③特征向量的形成：

　　　　　　- 給這64為詞袋建立一個對應的64維直方圖。

　　　　　　- 再看看一張圖片中的所有特征描述子都對應在64維詞袋哪些詞袋中，只要某一個維度的詞袋包含圖片的一個特征描述子，那麽在直方圖上的對應維度就加一，知道這一張圖片中的所有特征點描述子都遍歷完全。這樣最終的64維直方圖就是這張圖片的特征向量。

　　(2)、圖像檢索：即比較 待檢索 與 圖片庫中每張圖片間 的特征向量距離，設定一個閾值，小於這個閾值的圖片就檢索出來。

【2018.5.27會議記錄】—— [ 算法原理 ]：手工特征提取的概念問題。