有一些普遍适用的建议和一些特定于应用程序的建议。

Shi 和 Tomasi 的论文Good features to track解释了选择模式的标准：二维可定位性，或“角落”。

简单地说，假设您试图在 位置 找到一个对象(x,y)，但该对象却出现在 位置的图像中(x + dx, y + dy)。如果我们的视觉系统只能告诉我们“不，位置是错误的”，这并不是很有用。相反，我们希望视觉系统能够估计数量dx并且dy假设它不是太远。

一个尖点（点）是最有棱角的，但它也很容易被随机像素噪声掩埋。通过学习数学，我们了解到还有其他模式与尖点一样有角。（想想一维“边”是一个通过积分转换的一维增量。）

一些应用程序会要求在更少或更高维度上进行本地化。

添加 8/25

两条线状图案也可以在校准期间“相交”以产生一个点，前提是镜头失真不明显或已被参数化。

在去模糊应用中，锐点通常用于恢复点扩散函数 (psf)。然而，理论上任何形状的物体都可以使用，前提是校准软件可以使用基本事实。

在某些应用程序中，我们会故意使图案不清晰。散焦深度使用模糊度来推断焦平面相对于对象的位置，从而估计对象深度。