SIFT(Scale-invariant feature transform), Lowe, 2004

PCA-SIFT(Principle Component Analysis), Y.ke, 2004

SURF(Speeded Up Robust Features), Bay, 2006

這三位先后登場(chǎng)各有千秋,，算是圖像特征點(diǎn)檢測(cè)領(lǐng)域的宋氏三姐妹了！SIFT鼻祖先宗大佬,，PCA-SIFT將SIFT中直方圖方法換作主元分析法,，SURF取出integral/Hessian兩樣法寶實(shí)現(xiàn)加速，也更易于并行,。

下面,，先整理SIFT思路：

1.       輸入圖像，建議做double(width*=2, height*=2, size*=4), 并高斯過(guò)濾進(jìn)行平滑,。

2.       由圖片size決定建幾個(gè)塔,，每塔幾層圖像(一般3-5層)。0塔的第0層是原始圖像(或你double后的圖像)，往上每一層是對(duì)其下一層進(jìn)行Laplacian變換（高斯卷積,，其中sigma值漸大,，例如可以是sigma, k*sigma, k*k*sigma…），直觀上看來(lái)越往上圖片越模糊,。塔間的圖片是降采樣關(guān)系,，例如1塔的第0層可以由0塔的第3層down sample得到，然后進(jìn)行與0塔類似的高斯卷積操作,。

3.       構(gòu)建DoG金字塔,。DoG金字塔由上一步生成的Gauss金字塔計(jì)算得到，塔數(shù)相同,，每塔層數(shù)少1,，因?yàn)?/SPAN>DoG的每一層由Gauss的相鄰兩層相減得到。

4.       在DoG塔里進(jìn)行極值點(diǎn)檢測(cè),，并根據(jù)用戶預(yù)設(shè)的對(duì)比度閾值,、主曲率閾值去除不合法特征點(diǎn)。極值點(diǎn)檢測(cè)用的Non-Maximal Suppression,，即在3*3*3個(gè)點(diǎn)中進(jìn)行灰度值比較,，最小或最大才過(guò)關(guān)。

5.       計(jì)算每個(gè)特征點(diǎn)的尺度,。注意塔間尺度關(guān)系,，sigma*2.0^(octvs+intvl/intvls)

6.       計(jì)算每個(gè)特征點(diǎn)的梯度模值和方向。用特征點(diǎn)周圍一個(gè)矩陣區(qū)域(patch)內(nèi)的點(diǎn)來(lái)描述該特征點(diǎn),，用的直方圖進(jìn)行模值統(tǒng)計(jì)并尋找主方向,，主方向可以不止一個(gè)。

7.       最后要生成64D或128D的特征描述符了,。對(duì)齊主方向,，計(jì)算方向直方圖2D數(shù)組，假如每個(gè)直方圖有8bin,，那么64D(2*2*8bin)或128D(4*4*8bin),。

大面兒上說(shuō)，SURF vs. SIFT:

SURF基于integral image,，利用determination of Hessian matrix來(lái)描述極值點(diǎn)，也就是可能的特征點(diǎn),。那么什么是積分圖像,？在這里Hessian矩陣又是什么？怎么求得這個(gè)det(H),？它怎么樣了就是極值點(diǎn)了,？box filter是怎么來(lái)地，什么樣兒,？這里有相關(guān)文檔和源碼下載,，很詳細(xì)很清晰，這里我就不八了,，您佬哪里不明白,，跟帖交流。我比較好奇的是,，Bay是如何發(fā)現(xiàn)integral image * box filter與高斯卷積這層近似關(guān)系的,？為什么他會(huì)想到這么做？此外,，基于integral image * Haar wavelet filter進(jìn)行主方向的判定及描述符的生成,，這樣的卷積結(jié)果是什么？又說(shuō)明了什么,？是一種與鄰接點(diǎn)差異或變化率的反映,？Integral image is so fabulous。有興趣的朋友一起討論一下,？

Luo Juan對(duì)這三種算法進(jìn)行了實(shí)驗(yàn)比較,，衡量參數(shù)有Processing time/ scale / changes/ rotation/ blur/ illumination/ affine，衡量指標(biāo)有重復(fù)度或RANSAC內(nèi)點(diǎn)概率,，圖片庫(kù)來(lái)自

此外,，cy513的"