【计算机视觉】MOPS特征描述的邻域点为啥是偶数行/列的矩阵？

什么是MOPS

MOPS是一种特征描述的手段，即为每个特征点提供一个描述符，此描述符将用于比较不同图像中的要素以查看它们是否匹配。优秀的描述不会随图像的变化而改变（尽可能具有尺度不变性、旋转不变性等特征不变性），并且对于每一点描述是唯一的。

MOPS描述（Multiscale Oriented PatcheS descriptor）
步骤：
1、 以检测点为中心取40*40的窗口
2、缩小到原来的1/5
3、旋转至水平（为了实现旋转不变性）
4、 亮度归一化

图像块的主方向由H矩阵（Harris角点特征）较大特征值对应的特征向量确定，可以根据特征向量来旋转至水平，使得特征描述具有旋转不变性

亮度归一化是经过处理使得像素点均值为0，标准差为1，这样可以减少亮度差异造成的影响。

（此处参照：原文链接 https://blog.csdn.net/h763247747/article/details/100538827）

为啥它关心的关键点邻域范围是偶数行？

对于关键点而言，一般会选取奇数行/列mn的邻域矩阵，来研究关键点周边（mn-1）个相邻点的像素值对它的影响，因为奇数才有中心点嘛。MOPS特征描述取偶数行/列，不能把关键点作为邻域矩阵的中心点，岂不是很难理解？
其实这不是提出MOPS算法时故意为之的，而是它对关键点描述的处理过程决定的。所以，让我们先来仔细研究一下它的处理过程。

关键点的原始位置和待提取的特征

因为只是特征描述，所以在此之前应该已经通过特征检测得到了图片的一组特征点~，也就是上图标红的部分（当整张脸都很关键，就像是撒上了红色的椒盐噪声……）

假设现在要提取的是狮子眼部某个特征点K（蓝色标出）邻域范围内的点像素值，以此作为特征点K的“特征描述符”。

仿射变换

先放一张直观的处理过程图：
首先要做一次平移，使得K点成为第二步的旋转中心点；
接着把图像转到水平位置（这样无论带比较的图片旋转了怎样的角度，可以相互匹配的点的特征描述符都是同一方向的）；
然后将图像降采样（毕竟MOPS要求多尺度），也就是4040变成88的步骤，注意这里只是一个缩放，并没有什么中心点，所以也就不存在为什么不是奇数行/列，而是偶数行/列的问题；
最后一次平移只是为了取出8*8个点

基于opencv-python具体实现

== 待更新…… ==