常规的尺度不变特征变换（SIFT)图像特征提取方法难以提取多聚焦图像离焦模糊区域的特征，使得图像间存在局部、少量的公共特征，导致多聚焦图像配准精度差，严重影响后续图像融合和三维重建质量。在分析图像离焦模糊区域特征提取不确定性的基础上，提出了一种多聚焦图像离焦模糊区域的SIFT特征提取方法。首先提取多聚焦图像聚焦清晰区域的SIFT特征，再利用光流跟踪提取对应离焦模糊区域的SIFT特征，避免了在离焦模糊区域直接提取SIFT特征的不确定性。实验结果表明：提出的方法在离焦模糊区域具有良好的SIFT特征提取能力和提取精度，能实现多聚焦图像SIFT特征匹配数量显著增长，SIFT特征提取的误差为0.03~0.39 pixels，优于现有方法的0.21~1.71 pixels。降低了离焦模糊区域SIFT特征提取的不确定性，为多聚焦图像精确配准奠定了基础。

针对传统SIFT算法提取到的图像特征点数量稀少的问题，可利用高光谱图像的特性，在光谱维度上取差重构了图像的尺度空间，使得提取到的特征点数量得到了极大地提高。但特征点数量的大幅增加导致算法的时间开销随之增大，并且有效特征点的占比较低。为了解决特征点的冗余问题，提高匹配效率，提出了一种基于光谱图像空间的F-SIFT算法。利用FAST算法能够在像素层面上快速判断的特性，构建了以当前像素为中心的八邻域准则，在提取图像的特征点之前对差分金字塔的对应位置的像素点做预筛选，使得特征点数量降低到了原来的10%以下；另外传统的匹配方法只统计了目标象元邻域内的像素信息，而忽略了象元的几何位置信息，因此本文扩展了特征描述符向量，首先利用最近邻与次近邻之比对特征描述符做一次粗匹配，记录可靠性程度并将其纳入描述符向量，接着按照相似性程度的高低从前20组匹配中迭代选取4组匹配点用于构造三角平面，利用象元的位置信息进行精确匹配。实验结果表明本文方法能够有效降低冗余特征点的数量，剔除误匹配。

对图像特征中的局部聚集描述子向量（Vector of Aggragate Locally Descriptor，VLAD）特征进行研究后发现，该特征缺乏尺度不变特征变换（Scale Invariant Feature Transform，SIFT）描述子的空间分布信息，为了提高图像检索的准确率，提出利用空间分布熵改进VLAD的方法。首先，求取图像中的VLAD特征。其次，将SIFT描述子的空间分布信息根据描述子与聚类的对应情况，分为若干个集合。再次，在每一个集合中生成空间分布熵，将所有集合的熵值表示为空间分布熵向量。最后，利用该向量表示描述子的空间分布混乱程度，并将该向量与VLAD结合使用。实验结果表明，在码本大小为64时，在Holidays数据集上可以将平均准确率由0.519提升至0.601，在Oxford5k数据集上可以从0.395提升至0.408。该方法利用VLAD特征大幅度提高图像检索的平均准确率。