图像特征描述子之PCA-SIFT与GLOH

原文站点：https://senitco.github.io/2017/06/28/image-feature-PCA_SIFT-GLOH/

  SIFT和SURF是两种应用较为广泛的图像特征描述子，SURF可以看做是SIFT特征的加速版本。在SIFT的基础上，又陆续诞生了其他的变体：PCA-SIFT和GLOH(Gradient Location-Orientation Histogram)。

PCA-SIFT

  SIFT特征提取主要分为4步：尺度空间构建，关键点定位，主方向分配，生成特征描述子。PCA-SIFT的前3步和标准SIFT相同，也就说PCA-SIFT和标准SIFT具有相同的尺度空间、亚像素定位以及主方向。但在生成特征描述子时，使用特征点周围$41 \times 41$的邻域计算特征向量，并通过主成分分析(PCA)，对特征向量进行降维，以滤除噪声，保留有效信息，并提高匹配效率。PCA-SIFT生成特征描述子的算法流程如下：
1. 以特征点为中心，选定$41 \times 41$的矩形邻域
2. 计算邻域内所有像素水平和垂直方向的梯度(偏导数)，得到一个$39 \$