在图像处理中，局部特征和全局特征是提取和表示视觉信息的两种基本方法。局部特征描述图像中特定的、小的区域，例如边缘、角或纹理。这些特征通常围绕关键点计算，并且旨在对旋转、缩放或光照等变化保持不变。相比之下，全局特征总结整个图像或图像的大的部分，捕获诸如颜色分布、主要形状或纹理图案之类的整体属性。区别在于范围：局部特征侧重于孤立区域中的细节，而全局特征提供整体视图。
局部特征对于需要精确匹配或识别不同上下文中的对象的任务特别有用。例如，SIFT（尺度不变特征变换）或 ORB（Oriented FAST and Rotated BRIEF）之类的算法通过分析关键点周围的梯度或二进制模式来检测和描述关键点。这些描述符对于变换具有鲁棒性，使其成为图像拼接（例如，创建全景图）或对象识别（例如，识别杂乱场景中的特定产品）等应用的理想选择。当图像的只有部分相关时，局部特征表现出色，例如检测照片中的徽标或跟踪视频序列中的移动车辆。它们的计算复杂度较高，但它们提供了全局特征无法比拟的粒度。
另一方面，全局特征对于依赖于图像的整体特征的任务非常有效。颜色直方图（一种常见的全局特征）量化像素颜色的分布，从而可以快速比较图像检索（例如，在数据库中查找所有日落照片）。基于纹理的特征（如 Gabor 滤波器或定向梯度直方图 (HOG)）总结了整个图像中的图案，这对于诸如区分风景和肖像之类的分类任务很有用。虽然全局特征缺乏细粒度的细节，但它们的计算量较小，并且当图像的总体属性比特定细节更重要时效果更好。结合这两种方法，例如使用全局特征进行初始过滤，使用局部特征进行精确匹配，在基于内容的图像检索或增强现实等系统中很常见。选择哪种方法取决于问题：局部特征优先考虑特异性，而全局特征优先考虑效率和广泛的上下文。