近年来,图像特征提取的研究在计算机视觉领域和图像处理领域中愈演愈烈.特征提取既是图像分析中的基本问题,也是从图像处理到图像理解的关键环节,为计算机图像处理的后续步骤——图像配准和融合、图像分类和目标识别及图像检索提供了重要依据.由于受到设备,光照,角度等拍摄因素的影响,采集到的图像会出现一些模糊、反光的现象,不能直接用于特征提取,在此,利用数学形态学对图像进行了预处理.计算机模拟人类视觉,从图像中获取的信息往往是非常丰富的,这些信息中包含有大量的冗余信息,要从中快速准确的获取我们所需要的关键信息,人们做了大量的研究,因此视觉显著性检测得到了快速发展.本文结合视觉显著性的优点,对SURF特征提取方法进行了研究和改进.主要内容如下:首先论文简要介绍了图像特征提取的意义,列举了一些经典的特征提取方法,并对这些算法进行了仿真实验.其次,本文介绍了数学形态学的基本理论知识和算法,做了仿真实验并对其进行了分析.基于腐蚀、膨胀运算的效果,针对目标对比度较高的图像,利用一种基于数学形态学改进的快速鲁棒性算法来提取图像特征点,先利用形态学算法确定图像中目标的范围轮廓,很好的保留了图像的细节部分,在此基础上提取最终的SURF特征点,稳定性更强,并将此算法应用于医学眼前节图像,为医生诊断病情提供有效的特征点.然后,本文分别对SURF特征提取方法和视觉显著性检测方法的理论知识及算法做了系统详细的介绍,并对实验结果进行了分析.基于FT视觉显著性算法的实验效果,针对图像的滤波部分设计采用了图像引导滤波器,相较于原来的高斯滤波器,能够根据图像领域内像素的均值和方差作为局部估计,从而根据图像的信息不同自适应的调整输出图像权值,得到更好的效果.其次改进了SURF算法,对SURF算法的第四阶段,利用改进的FT算法和特征点权值算法来剔除结构信息不重要的特征点,从而得到更稳定的特征点.最后,将算法应用在一般场景图中,结果表明,本文算法能在提取出不至于繁多的特征点的同时保证特征点的高效性,在图像特征检测的匹配数较多的同时保持较高的匹配率,有助于后续图像的继续处理.并将算法应用于医学眼前节图像中,提取到了显著地病变特征点,为眼科专家提供诊断病情的有效参考依据。