特征提取是图像理解、图像分析和图像分类等领域里一个特别热门的研究点,它关联了机器图形学理论、图像分析、人机互动、人工智能、机器视觉、与生理科等很多专业领域。而特征提取则是机器视觉与图像分析中至关重要的一步,它是图像处理中最基本也是最重要的问题之一。现阶段,特征提取技术还是受到很多随机因子的干扰,比方说不同的光照等等。受光线改变的影响,相同的目标在变化的光照环境下获取的照片间的差别信息,也许比处于相同光照环境里不同目标获取的照片之间的差别信息大很多。在一幅图像中,光照变化会导致在图像中出现严重的退化情况。改变光照方向和强度会导致图像阴影的形状和位置的变化,其中的梯度变化发生在强光照射的情况下。这些变化使得样本的图像看起来完全不同。此外,照明变化总是伴随着其他姿态和时间的变化等问题,这些都会使得图像识别问题的复杂度增加。这使得当前的图像识别算法所得到的结果往往满足不了研究者的应用,因而光照的改变也就是了阻碍模式识别技术发展的最主要的问题之一。图像识别是一个困难的模式分类问题,由于类内差异(同一对象的图像之间的变化)甚至大于类间差异(来自不同对象图像之间的差异)。当前图像处理与识别技术的一个关键性挑战是如何消除训练图像和测试图像之间的光照变化。在对图像特征提取的应用中,光照不变性特征在大型数据库中的能力和鲁棒性是有限的和不充分的。在不同变化的照明条件下,这些方法可以实现底层的性能。随着光照的变化,当训练图像或者测试图像完全暴露在不同的光照条件下时,2d人脸表面将会严重退化。这些与生俱来的特征变化的幅度,能够区分不同的样本目标,他们的幅值通常小于由光照变化引起的图像变化。在本文中,我们提出一种使用多尺度相对梯度差异的方法来削弱或消除光照变化。在本文的方法中,由于图像的阴影和边缘部分会使得图像光照不变量的推理不成立,我们使用高斯核函数对输入图像进行滤波得到平滑图像。接着通过计算图像矩阵的一阶导数在X轴和Y轴的投影。接下来通过对图像矩阵做相对梯度信息运算获取图像的光照不敏感特征。再通过使用伽柏小波多尺度分析对图像的纹理特征进行有效的分析。最后得到的光照不变特征可直接用于特征提取。本文方法的主要优点是,它能有效地减少或者消除各种光照的影响因素。为了提高我们提出的光照不变性方法在模式识别中的性能,本文中,我们使用L1作为最小距离分类器的距离度量。不同数据库上的实验结果表明在不同光照条件下该方法的对光照的鲁棒性和有效性。