ในวิทยาการคอมพิวเตอร์ด้านการมองเห็นและการประมวลผลภาพคุณลักษณะ(Feature)คือข้อมูลเกี่ยวกับเนื้อหาของภาพ โดยทั่วไปแล้วจะเป็นข้อมูลเกี่ยวกับว่าบริเวณใดบริเวณหนึ่งของภาพมีคุณสมบัติบางอย่างหรือไม่ คุณลักษณะอาจเป็นโครงสร้างเฉพาะในภาพ เช่น จุด ขอบ หรือวัตถุ คุณลักษณะอาจเป็นผลมาจากการดำเนินการกับบริเวณใกล้เคียง ทั่วไป หรือการตรวจจับคุณลักษณะที่ใช้กับภาพ ตัวอย่างอื่นๆ ของคุณลักษณะเกี่ยวข้องกับการเคลื่อนไหวในลำดับภาพ หรือรูปร่างที่กำหนดในแง่ของเส้นโค้งหรือขอบเขตระหว่างบริเวณต่างๆ ของภาพ

โดยทั่วไปแล้วฟีเจอร์คือข้อมูลใดๆ ที่เกี่ยวข้องกับการแก้ปัญหาทางด้านการคำนวณที่เกี่ยวข้องกับแอปพลิเคชันเฉพาะอย่างใดอย่างหนึ่ง นี่เป็นความหมายเดียวกับฟีเจอร์ในด้านการเรียนรู้ของเครื่องและการรู้จำรูปแบบโดยทั่วไป แม้ว่าการประมวลผลภาพจะมีชุดฟีเจอร์ที่ซับซ้อนกว่ามากก็ตาม แนวคิดเรื่องฟีเจอร์นั้นเป็นแนวคิดทั่วไป และการเลือกฟีเจอร์ในระบบคอมพิวเตอร์วิชั่นเฉพาะระบบหนึ่งอาจขึ้นอยู่กับปัญหาเฉพาะที่กำลังเผชิญอยู่เป็นอย่างมาก

ไม่มีคำจำกัดความที่เป็นสากลหรือแน่นอนเกี่ยวกับสิ่งที่ถือเป็นคุณลักษณะ และคำจำกัดความที่แน่นอนมักขึ้นอยู่กับปัญหาหรือประเภทของแอปพลิเคชัน อย่างไรก็ตาม โดยทั่วไปแล้ว คุณลักษณะจะถูกกำหนดให้เป็นส่วนที่ "น่าสนใจ" ของภาพและคุณลักษณะเหล่านี้ถูกใช้เป็นจุดเริ่มต้นสำหรับอัลกอริธึมการมองเห็นด้วยคอมพิวเตอร์หลายอย่าง

เนื่องจากคุณลักษณะต่างๆ ถูกใช้เป็นจุดเริ่มต้นและองค์ประกอบหลักสำหรับอัลกอริทึมถัดไป ประสิทธิภาพโดยรวมของอัลกอริทึมจึงมักขึ้นอยู่กับประสิทธิภาพของตัวตรวจจับคุณลักษณะ ดังนั้น คุณสมบัติที่พึงประสงค์สำหรับตัวตรวจจับคุณลักษณะคือความสามารถในการทำซ้ำได้กล่าวคือ คุณลักษณะเดียวกันจะถูกตรวจพบในภาพสองภาพขึ้นไปของฉากเดียวกันหรือไม่

การตรวจจับคุณลักษณะเป็นกระบวนการ ประมวลผลภาพระดับต่ำกล่าวคือ โดยปกติจะดำเนินการเป็นขั้นตอนแรกบนภาพและตรวจสอบทุกพิกเซลเพื่อดูว่ามีคุณลักษณะปรากฏอยู่ที่พิกเซลนั้นหรือไม่ หากเป็นส่วนหนึ่งของอัลกอริทึมที่ใหญ่กว่า อัลกอริทึมนั้นมักจะตรวจสอบภาพเฉพาะในบริเวณที่มีคุณลักษณะเท่านั้น โดยพื้นฐานแล้ว การตรวจจับคุณลักษณะจำเป็นต้องมีการปรับภาพอินพุตให้เรียบด้วย เคอร์เนล แบบเกาส์เซียนในรูปแบบการแสดงผลแบบสเกลสเปซและคำนวณภาพคุณลักษณะหนึ่งภาพหรือหลายภาพ ซึ่งมักแสดงในรูปของการดำเนินการ อนุพันธ์ภาพ เฉพาะที่

ในบางโอกาส เมื่อการตรวจจับคุณลักษณะต้องใช้การคำนวณที่ซับซ้อนและมีข้อจำกัดด้านเวลา อาจใช้อัลกอริธึมระดับสูงกว่าเพื่อเป็นแนวทางในขั้นตอนการตรวจจับคุณลักษณะ เพื่อให้ค้นหาคุณลักษณะเฉพาะบางส่วนของภาพเท่านั้น

มีอัลกอริธึมด้านคอมพิวเตอร์วิชั่นจำนวนมากที่ใช้การตรวจจับคุณลักษณะเป็นขั้นตอนเริ่มต้น ดังนั้นจึงมีการพัฒนาตัวตรวจจับคุณลักษณะจำนวนมาก ซึ่งมีความแตกต่างกันอย่างมากในด้านประเภทของคุณลักษณะที่ตรวจจับ ความซับซ้อนในการคำนวณ และความสามารถในการทำซ้ำ

เมื่อมีการกำหนดคุณลักษณะโดยใช้การดำเนินการในบริเวณใกล้เคียงเฉพาะที่กับภาพ ซึ่งเป็นกระบวนการที่เรียกกันทั่วไปว่าการสกัดคุณลักษณะเราสามารถแยกแยะความแตกต่างระหว่างวิธีการตรวจจับคุณลักษณะที่สร้างการตัดสินใจเฉพาะที่ว่ามีคุณลักษณะประเภทใดประเภทหนึ่ง ณ จุดใดจุดหนึ่งของภาพหรือไม่ กับวิธีการที่สร้างข้อมูลที่ไม่ใช่ไบนารีเป็นผลลัพธ์ ความแตกต่างนี้มีความสำคัญเมื่อคุณลักษณะที่ตรวจพบนั้นค่อนข้างเบาบาง แม้ว่าจะมีการตัดสินใจเฉพาะที่ แต่ผลลัพธ์จากขั้นตอนการตรวจจับคุณลักษณะไม่จำเป็นต้องเป็นภาพไบนารี ผลลัพธ์มักจะแสดงในรูปของชุดพิกัด (ที่เชื่อมต่อกันหรือไม่เชื่อมต่อกัน) ของจุดภาพที่ตรวจพบคุณลักษณะ บางครั้งมีความแม่นยำระดับซับพิกเซล

เมื่อทำการสกัดคุณลักษณะโดยไม่ใช้การตัดสินใจเฉพาะที่ ผลลัพธ์ที่ได้มักเรียกว่าภาพคุณลักษณะดังนั้น ภาพคุณลักษณะจึงสามารถมองได้ว่าเป็นภาพในแง่ที่ว่ามันเป็นฟังก์ชันของตัวแปรเชิงพื้นที่ (หรือเชิงเวลา) เดียวกันกับภาพต้นฉบับ แต่ค่าพิกเซลจะเก็บข้อมูลเกี่ยวกับคุณลักษณะของภาพแทนที่จะเป็นความเข้มหรือสี ซึ่งหมายความว่าภาพคุณลักษณะสามารถประมวลผลได้ในลักษณะเดียวกับภาพธรรมดาที่สร้างขึ้นโดยเซ็นเซอร์รับภาพ นอกจากนี้ ภาพคุณลักษณะมักถูกคำนวณเป็นขั้นตอนหนึ่งในอัลกอริธึมสำหรับการตรวจจับคุณลักษณะด้วย

ในบางแอปพลิเคชัน การสกัดคุณลักษณะเพียงประเภทเดียวเพื่อรับข้อมูลที่เกี่ยวข้องจากข้อมูลภาพนั้นไม่เพียงพอ จึงต้องสกัดคุณลักษณะที่แตกต่างกันสองอย่างขึ้นไป ส่งผลให้มีตัวอธิบายคุณลักษณะสองตัวขึ้นไปในแต่ละจุดของภาพ โดยทั่วไปแล้ว มักจะจัดระเบียบข้อมูลที่ได้จากตัวอธิบายเหล่านี้ทั้งหมดเป็นองค์ประกอบของเวกเตอร์เดียว ซึ่งมักเรียกว่าเวกเตอร์คุณลักษณะเซตของเวกเตอร์คุณลักษณะที่เป็นไปได้ทั้งหมดประกอบเป็นพื้นที่คุณลักษณะ^{[ 1 ]}

ตัวอย่างทั่วไปของเวกเตอร์คุณลักษณะปรากฏขึ้นเมื่อต้องการจำแนกจุดภาพแต่ละจุดให้เป็นของคลาสใดคลาสหนึ่ง โดยสมมติว่าจุดภาพแต่ละจุดมีเวกเตอร์คุณลักษณะที่สอดคล้องกันโดยอิงจากชุดคุณลักษณะที่เหมาะสม ซึ่งหมายความว่าแต่ละคลาสแยกออกจากกันได้ดีในพื้นที่คุณลักษณะที่สอดคล้องกัน การจำแนกจุดภาพแต่ละจุดสามารถทำได้โดยใช้วิธี การจำแนก แบบมาตรฐาน

ตัวอย่างอย่างง่ายของการฝึกโครงข่ายประสาทเทียมในการตรวจจับวัตถุ: โครงข่ายได้รับการฝึกฝนด้วยภาพหลายภาพที่ทราบว่าเป็นภาพของปลาดาวและเม่นทะเลซึ่งมีความสัมพันธ์กับ "โหนด" ที่แสดงถึงคุณลักษณะทางภาพ ปลาดาวจะตรงกับพื้นผิวที่เป็นวงแหวนและโครงร่างรูปดาว ในขณะที่เม่นทะเลส่วนใหญ่จะตรงกับพื้นผิวที่เป็นลายเส้นและรูปทรงวงรี อย่างไรก็ตาม กรณีของเม่นทะเลที่มีพื้นผิวเป็นวงแหวนจะสร้างความสัมพันธ์ที่มีน้ำหนักอ่อนระหว่างพวกมัน

การรันเครือข่ายครั้งถัดไปบนภาพอินพุต (ซ้าย): ^{[ 2 ]}เครือข่ายตรวจจับดาวทะเลได้อย่างถูกต้อง อย่างไรก็ตาม การเชื่อมโยงที่มีน้ำหนักน้อยระหว่างพื้นผิววงแหวนและเม่นทะเลยังให้สัญญาณที่อ่อนแอแก่เม่นทะเลจากคุณลักษณะหนึ่งในสองประการ นอกจากนี้ เปลือกหอยที่ไม่ได้รวมอยู่ในการฝึกอบรมยังให้สัญญาณที่อ่อนแอสำหรับรูปร่างวงรี ซึ่งส่งผลให้สัญญาณที่อ่อนแอสำหรับเอาต์พุตเม่นทะเลด้วย สัญญาณที่อ่อนแอเหล่านี้อาจส่งผลให้เกิด ผลลัพธ์ ที่เป็นบวกเท็จสำหรับเม่นทะเลในความเป็นจริง พื้นผิวและโครงร่างจะไม่ถูกแทนด้วยโหนดเดียว แต่จะถูกแทนด้วยรูปแบบน้ำหนักที่เชื่อมโยงกันของหลายโหนด

อีกตัวอย่างหนึ่งที่เกี่ยวข้องคือ การประมวลผลภาพโดย ใช้ โครงข่ายประสาทเทียมข้อมูลป้อนเข้าโครงข่ายประสาทเทียมมักอยู่ในรูปของเวกเตอร์คุณลักษณะจากแต่ละจุดในภาพ โดยเวกเตอร์นั้นสร้างขึ้นจากคุณลักษณะต่างๆ ที่สกัดมาจากข้อมูลภาพ ในระหว่างขั้นตอนการเรียนรู้ โครงข่ายสามารถค้นหาได้เองว่าการรวมกันของคุณลักษณะต่างๆ ใดบ้างที่มีประโยชน์ในการแก้ปัญหาที่เกิดขึ้น

ขอบคือจุดที่มีเส้นแบ่ง (หรือขอบ) ระหว่างสองส่วนของภาพ โดยทั่วไป ขอบสามารถมีรูปร่างได้เกือบทุกแบบ และอาจรวมถึงจุดเชื่อมต่อ ในทางปฏิบัติ ขอบมักถูกกำหนดให้เป็นชุดของจุดในภาพที่มี ค่าความ ชัน สูง นอกจากนี้ อัลกอริทึมทั่วไปบางตัวจะเชื่อมต่อจุดที่มีค่าความชันสูงเข้าด้วยกันเพื่อสร้างคำอธิบายขอบที่สมบูรณ์ยิ่งขึ้น อัลกอริทึมเหล่านี้มักกำหนดข้อจำกัดบางอย่างเกี่ยวกับคุณสมบัติของขอบ เช่น รูปร่าง ความเรียบ และค่าความชัน

ในระดับท้องถิ่น เส้นขอบจะมีโครงสร้างแบบหนึ่งมิติ

คำว่า "มุม" และ "จุดสนใจ" มักใช้แทนกันได้ และหมายถึงลักษณะเฉพาะที่เป็นจุดในภาพ ซึ่งมีโครงสร้างสองมิติเฉพาะที่ ชื่อ "มุม" เกิดขึ้นจากอัลกอริทึมในยุคแรกๆ ที่ทำการตรวจจับขอบ ก่อน จากนั้นจึงวิเคราะห์ขอบเพื่อหาการเปลี่ยนแปลงทิศทางอย่างรวดเร็ว (มุม) ต่อมาอัลกอริทึมเหล่านี้ได้รับการพัฒนาจนไม่จำเป็นต้องตรวจจับขอบอย่างชัดเจนอีกต่อไป เช่น โดยการมองหาระดับความโค้ง สูง ในเกรเดียนต์ของภาพจากนั้นจึงสังเกตเห็นว่าสิ่งที่เรียกว่ามุมนั้นถูกตรวจพบในส่วนของภาพที่ไม่ใช่มุมในความหมายดั้งเดิม (ตัวอย่างเช่น จุดสว่างเล็กๆ บนพื้นหลังสีเข้มอาจถูกตรวจพบ) จุดเหล่านี้มักเรียกว่าจุดสนใจ แต่คำว่า "มุม" ถูกใช้ตามธรรมเนียมปฏิบัติ

บล็อบให้คำอธิบายเพิ่มเติมเกี่ยวกับโครงสร้างของภาพในแง่ของบริเวณ ต่างจากมุมที่ดูเหมือนจุดมากกว่า อย่างไรก็ตาม ตัวอธิบายบล็อบมักจะมีจุดที่ต้องการ (จุดสูงสุดเฉพาะที่ของการตอบสนองของตัวดำเนินการหรือจุดศูนย์กลางมวล) ซึ่งหมายความว่าตัวตรวจจับบล็อบจำนวนมากอาจถูกมองว่าเป็นตัวดำเนินการจุดที่น่าสนใจได้เช่นกัน ตัวตรวจจับบล็อบสามารถตรวจจับพื้นที่ในภาพที่เรียบเกินกว่าจะตรวจจับได้ด้วยตัวตรวจจับมุม

ลองพิจารณาการย่อขนาดภาพแล้วทำการตรวจจับมุม ตัวตรวจจับจะตอบสนองต่อจุดที่คมชัดในภาพที่ย่อขนาดแล้ว แต่อาจเรียบเนียนในภาพต้นฉบับ ณ จุดนี้ ความแตกต่างระหว่างตัวตรวจจับมุมและตัวตรวจจับบล็อบเริ่มไม่ชัดเจนนัก ในระดับหนึ่ง ความแตกต่างนี้สามารถแก้ไขได้โดยการรวมแนวคิดเรื่องมาตราส่วนที่เหมาะสม อย่างไรก็ตาม เนื่องจากคุณสมบัติการตอบสนองต่อโครงสร้างภาพประเภทต่างๆ ในมาตราส่วนที่แตกต่างกัน ตัวตรวจจับบล็อบ LoG และ DoH จึงถูกกล่าวถึงในบทความเกี่ยวกับการตรวจจับมุมด้วย

สำหรับวัตถุที่มีรูปร่างยาว แนวคิดเรื่องสันเป็นเครื่องมือที่เหมาะสม ตัวบ่งชี้สันที่คำนวณจากภาพระดับสีเทาสามารถมองได้ว่าเป็นการขยายแนวคิดของแกนกลางในแง่ของการใช้งานจริง สันสามารถคิดได้ว่าเป็นเส้นโค้งหนึ่งมิติที่แสดงถึงแกนสมมาตร และนอกจากนี้ยังมีคุณลักษณะของความกว้างของสันเฉพาะที่ที่เกี่ยวข้องกับแต่ละจุดของสัน อย่างไรก็ตาม น่าเสียดายที่การสกัดคุณลักษณะของสันจากภาพระดับสีเทาทั่วไปนั้นทำได้ยากกว่าการสกัดคุณลักษณะของขอบ มุม หรือกลุ่มก้อน ถึงกระนั้น ตัวบ่งชี้สันก็มักถูกใช้สำหรับการสกัดถนนในภาพถ่ายทางอากาศและการสกัดหลอดเลือดในภาพทางการแพทย์—ดูการตรวจจับสัน

การตรวจจับคุณลักษณะประกอบด้วยวิธีการคำนวณนามธรรมของข้อมูลภาพและตัดสินใจในระดับท้องถิ่น ณ ทุกจุดในภาพว่ามีคุณลักษณะของภาพประเภทใดประเภทหนึ่ง ณ จุดนั้นหรือไม่ คุณลักษณะที่ได้จะเป็นส่วนย่อยของโดเมนภาพ ซึ่งมักอยู่ในรูปของจุดโดดเดี่ยว เส้นโค้งต่อเนื่อง หรือบริเวณที่เชื่อมต่อกัน

บางครั้งการสกัดคุณลักษณะจะทำในหลายระดับมาตราส่วน วิธีหนึ่งในนั้นคือการแปลงคุณลักษณะที่ไม่ขึ้นกับมาตราส่วน (SIFT)

เมื่อตรวจพบคุณลักษณะแล้ว สามารถแยกส่วนภาพเฉพาะที่รอบๆ คุณลักษณะนั้นได้ การแยกส่วนนี้อาจเกี่ยวข้องกับการประมวลผลภาพจำนวนมาก ผลลัพธ์ที่ได้เรียกว่าตัวอธิบายคุณลักษณะหรือเวกเตอร์คุณลักษณะ ในบรรดาวิธีการที่ใช้ในการอธิบายคุณลักษณะนั้น สามารถกล่าวถึงN -jetsและฮิสโตแกรมเฉพาะที่ (ดูการแปลงคุณลักษณะที่ไม่ขึ้นกับมาตราส่วนสำหรับตัวอย่างหนึ่งของตัวอธิบายฮิสโตแกรมเฉพาะที่) นอกเหนือจากข้อมูลคุณลักษณะดังกล่าวแล้ว ขั้นตอนการตรวจจับคุณลักษณะเองอาจให้คุณลักษณะเสริมอื่นๆ เช่น ทิศทางของขอบและขนาดของความชันในการตรวจจับขอบ และขั้วและกำลังของบล็อบในการตรวจจับบล็อบ

• การตรวจจับขอบ
• การตรวจจับมุม
• การตรวจจับวัตถุ
• การตรวจจับสันเขา
• การแปลงคุณลักษณะที่ไม่ขึ้นกับมาตราส่วน

• ทิศทางขอบ, การเปลี่ยนแปลงความเข้ม, การหาความสัมพันธ์อัตโนมัติ

• การตรวจจับการเคลื่อนไหววิธีการแบบอิงพื้นที่และแบบแตกต่างการไหลของแสง (Optical flow )

• การกำหนดเกณฑ์
• การสกัดบล็อบ
• การจับคู่แม่แบบ
• ฮัฟ ทรานส์ฟอร์ม
  • เส้น
  • วงกลม/วงรี
  • รูปทรงตามอำเภอใจ (การแปลงฮอฟแบบทั่วไป)
  • ใช้งานได้กับฟีเจอร์ที่สามารถกำหนดค่าพารามิเตอร์ได้ทุกประเภท (ตัวแปรคลาส การตรวจจับคลัสเตอร์ ฯลฯ)
• การแปลงฮอฟทั่วไป

• รูปทรงที่ปรับเปลี่ยนได้และกำหนดพารามิเตอร์ได้
• เส้นคอนทัวร์แบบแอคทีฟ (เส้นงู)

คุณลักษณะเฉพาะของภาพ ซึ่งกำหนดโดยโครงสร้างเฉพาะในข้อมูลภาพ มักสามารถแสดงได้หลายวิธี ตัวอย่างเช่น ขอบสามารถแสดงเป็นตัวแปรบูลีนในแต่ละจุดของภาพเพื่ออธิบายว่ามีขอบอยู่ที่จุดนั้นหรือไม่ หรืออีกทางเลือกหนึ่ง เราสามารถใช้การแสดงผลที่ให้ค่าความแน่นอนแทนการระบุการมีอยู่ของขอบด้วยตัวแปรบูลีน และรวมเข้ากับข้อมูลเกี่ยวกับทิศทางของขอบ ในทำนองเดียวกัน สีของบริเวณเฉพาะสามารถแสดงได้ทั้งในรูปของสีเฉลี่ย (ค่าสเกลาร์สามค่า) หรือฮิสโตแกรมสี (ฟังก์ชันสามค่า)

ในการออกแบบระบบคอมพิวเตอร์วิชั่นหรืออัลกอริธึมคอมพิวเตอร์วิชั่น การเลือกวิธีการแสดงคุณลักษณะ (feature representation) ถือเป็นประเด็นสำคัญ ในบางกรณี อาจจำเป็นต้องให้รายละเอียดในการอธิบายคุณลักษณะมากขึ้นเพื่อแก้ปัญหา แต่ก็ต้องแลกมาด้วยการต้องจัดการกับข้อมูลที่มากขึ้นและการประมวลผลที่ซับซ้อนขึ้น ด้านล่างนี้จะกล่าวถึงปัจจัยบางประการที่เกี่ยวข้องกับการเลือกวิธีการแสดงคุณลักษณะที่เหมาะสม ในการอภิปรายนี้ จะเรียกตัวอย่างของการแสดงคุณลักษณะว่า...ตัวอธิบายคุณลักษณะหรือเรียกสั้น ๆ ว่าตัวอธิบาย

ตัวอย่างของคุณลักษณะภาพสองประการ ได้แก่ การวางแนวขอบเฉพาะที่และความเร็วเฉพาะที่ในลำดับภาพ ในกรณีของการวางแนวขอบ ค่าของคุณลักษณะนี้อาจไม่แน่นอนหากมีขอบมากกว่าหนึ่งขอบอยู่ในบริเวณใกล้เคียง ความเร็วเฉพาะที่นั้นไม่แน่นอนหากบริเวณภาพที่เกี่ยวข้องไม่มีการเปลี่ยนแปลงเชิงพื้นที่ใดๆ จากข้อสังเกตนี้ การใช้การแสดงคุณลักษณะที่รวมถึงการวัดความแน่นอนหรือความมั่นใจที่เกี่ยวข้องกับข้อความเกี่ยวกับค่าของคุณลักษณะจึงอาจมีความสำคัญ มิฉะนั้น สถานการณ์ทั่วไปคือการใช้ตัวอธิบายเดียวกันเพื่อแสดงค่าคุณลักษณะที่มีความแน่นอนต่ำและค่าคุณลักษณะที่ใกล้เคียงกับศูนย์ ส่งผลให้เกิดความกำกวมในการตีความตัวอธิบายนี้ ขึ้นอยู่กับการใช้งาน ความกำกวมดังกล่าวอาจยอมรับได้หรือไม่ก็ได้

โดยเฉพาะอย่างยิ่ง หากภาพเด่นจะถูกนำไปใช้ในการประมวลผลขั้นต่อไป อาจเป็นความคิดที่ดีที่จะใช้การแสดงคุณลักษณะที่รวมข้อมูลเกี่ยวกับความแน่นอนหรือความมั่นใจไว้ด้วย วิธีนี้ช่วยให้สามารถคำนวณตัวอธิบายคุณลักษณะใหม่จากตัวอธิบายหลายตัวได้ ตัวอย่างเช่น คำนวณจากจุดภาพเดียวกันแต่ที่ระดับความละเอียดต่างกัน หรือจากจุดที่อยู่ติดกันแต่ต่างกัน ในรูปของค่าเฉลี่ยถ่วงน้ำหนัก โดยน้ำหนักจะมาจากค่าความแน่นอนที่สอดคล้องกัน ในกรณีที่ง่ายที่สุด การคำนวณที่เกี่ยวข้องสามารถทำได้โดยการกรองแบบโลว์พาสของภาพเด่น ภาพคุณลักษณะที่ได้นั้นโดยทั่วไปจะมีความเสถียรต่อสัญญาณรบกวนมากขึ้น

นอกเหนือจากการมีมาตรวัดความแน่นอนรวมอยู่ในรูปแบบการแสดงผลแล้ว รูปแบบการแสดงผลของค่าคุณลักษณะที่สอดคล้องกันนั้นอาจเหมาะสมสำหรับ การหาค่า เฉลี่ยหรือไม่ก็ได้ ในทางปฏิบัติ รูปแบบการแสดงผลคุณลักษณะส่วนใหญ่สามารถหาค่าเฉลี่ยได้ แต่เฉพาะในบางกรณีเท่านั้นที่ตัวบ่งชี้ที่ได้จะสามารถตีความได้อย่างถูกต้องในแง่ของค่าคุณลักษณะ รูปแบบการแสดงผลดังกล่าวเรียกว่า รูปแบบที่สามารถหาค่าเฉลี่ยได้

ตัวอย่างเช่น หากทิศทางของขอบถูกแทนด้วยมุม การแทนค่าแบบนี้จะต้องมีความไม่ต่อเนื่อง ณ จุดที่มุมเปลี่ยนจากค่าสูงสุดไปสู่ค่าต่ำสุด ดังนั้นจึงอาจเกิดขึ้นได้ว่า ทิศทางที่คล้ายกันสองแบบถูกแทนด้วยมุมที่มีค่าเฉลี่ยที่ไม่ใกล้เคียงกับมุมใดมุมหนึ่งดั้งเดิม และด้วยเหตุนี้ การแทนค่าแบบนี้จึงไม่สามารถหาค่าเฉลี่ยได้ อย่างไรก็ตาม มีการแทนทิศทางของขอบแบบอื่น เช่นเทนเซอร์โครงสร้างซึ่งสามารถหาค่าเฉลี่ยได้

อีกตัวอย่างหนึ่งเกี่ยวข้องกับการเคลื่อนที่ ซึ่งในบางกรณีสามารถดึงค่าความเร็วปกติที่สัมพันธ์กับขอบบางส่วนได้เท่านั้น หากดึงค่าคุณลักษณะดังกล่าวมาได้สองค่า และสามารถสันนิษฐานได้ว่าค่าทั้งสองนั้นหมายถึงความเร็วที่แท้จริงเดียวกัน ความเร็วนี้จะไม่ใช่ค่าเฉลี่ยของเวกเตอร์ความเร็วปกติ ดังนั้น เวกเตอร์ความเร็วปกติจึงไม่สามารถหาค่าเฉลี่ยได้ แต่มีการแสดงการเคลื่อนที่ในรูปแบบอื่นโดยใช้เมทริกซ์หรือเทนเซอร์ ซึ่งจะให้ค่าความเร็วที่แท้จริงในรูปของการหาค่าเฉลี่ยของตัวอธิบายความเร็วปกติ

คุณลักษณะที่ตรวจพบในแต่ละภาพสามารถนำมาจับคู่กันระหว่างภาพหลายภาพเพื่อสร้างคุณลักษณะที่สอดคล้องกันเช่นจุดที่สอดคล้องกัน

อัลกอริทึมนี้ใช้การเปรียบเทียบและวิเคราะห์การจับคู่จุดระหว่างภาพอ้างอิงและภาพเป้าหมาย หากส่วนใดส่วนหนึ่งของฉากที่รกมีการจับคู่มากกว่าค่าเกณฑ์ ส่วนนั้นของภาพฉากที่รกจะถูกกำหนดเป้าหมายและถือว่ามีวัตถุอ้างอิงอยู่^{[ 18 ]}

• วิชั่นคอมพิวเตอร์
• การใส่คำอธิบายประกอบภาพอัตโนมัติ
• การเรียนรู้คุณลักษณะ
• การเลือกคุณสมบัติ
• การตรวจจับพื้นหน้า
• การแปลงภาพเป็นเวกเตอร์ (การติดตามภาพ)

• T. Lindeberg (2009). "Scale-space"ใน Benjamin Wah (บรรณาธิการ). สารานุกรมวิทยาการคอมพิวเตอร์และวิศวกรรมศาสตร์เล่มที่ 4. John Wiley and Sons. หน้า  2495–2504 . doi : 10.1002/9780470050118.ecse609 . ISBN 978-0470050118.(สรุปและทบทวนตัวตรวจจับคุณลักษณะจำนวนหนึ่งที่พัฒนาขึ้นโดยอาศัยการดำเนินการในปริภูมิมาตราส่วน)