找到图像中的关键点：

突出图像中的关键点：

计算图像中关键点的数量：

灰度图中的关键点：

彩色图像中的关键点：

找到图像中的关键点：

返回关键点描述符：

计算多个属性：

获取属性 "Position" 和 "PixelPosition"：

相应的坐标系统有半个像素的偏移：

获取 "Scale"，以像素个数为单位：

该尺寸对应于关键点周围的本征区的大小. 可视化 "SURF" 关键点周围的圆盘区域：

获取单位为弧度的 "Orientation"：

显示关键点，根据定向转动相应的图案：

获取 "Strength" 分数：

显示图像中关键点的 strength 的分布：

获取表示像素值在关键点周围的分布的 "Descriptor"：

该描述符类似于旋转后的图像中的一个：

比周围环境颜色浅的关键点的 "ConstrastSign" 的值为 1：

比周围环境颜色深的关键点的符号值为 -1：

用尺寸、定向和对比来可视化 SURF 关键点：

可视化 BRISK 关键点：

在检测到的关键点周围，提取具有固定大小的局部补丁（patch）：

提取尺度大小与关键点的比例成正比的补丁：

使用关键点对一个图像进行裁剪以保持主要的特征：

创建尺寸相同的缩略图：

在 5000 幅图像（每幅图像大小为 32×32，分属于 10 个类别）的数据集上使用“词袋”来进行物体识别：

计算 256×256 图像的关键点描述符，并生成视觉单词的编码本：

编码本包含了所有长度为 64 的图像描述符：

用 -均值聚类计算 100 个视觉码字：

图像特征由所有码字的归一化计数来定义：

构建一个在提取出的图像特征上训练过的分类器：

在测试数据上运行分类器：

不是所有方法的所有属性系统都支持：

当用指定方法无法得到属性时，返回 Missing["NotAvailable"]：

"FAST" 方法无法找到对比符号：

"BRISK" 方法不能计算定向描述符：

"SURF" 和 "KAZE" 描述符通常用欧式距离进行比较：

最强的关键点间的距离和接下来 10 个最强点间的距离：

"AKAZE"、"BRISK" 和 "ORB" 描述符通常用 Hamming 距离进行比较：

最强的关键点间的距离和接下来 10 个最强点间的距离：

基于关键点的描述对它们做聚类：

可将 ImageCorners 用作关键点：

用半径 3.5 来计算边角在某些关键点检测器的尺度范围上的相似性：

用 CornerFilter 来获取检测到的边角的强度：

前 10 个 FAST 关键点：

前 10 个 AGAST 关键点：

ImageCorrespondingPoints 给出描述符相匹配的关键点的位置：

计算两幅图像的关键点：

取两个在第二幅图像中有或没有对应点的关键点：

计算这些关键点的描述符到第二幅图像中所有关键点的距离：

通常用 second-to-nearest 比值来决定一个关键点是否有对应点：

有对应点的关键点为红色；其他的点为黄色：