经典论文阅读笔记——Feature篇（上）

心血来潮在CSDN开通了博客，那就时不时写点东西吧。。

先写点Feature Extraction方面经典论文的阅读笔记，按论文发表的时间顺序

至于具体的原理就不过多记录了，写起来真的很麻烦，很多网上一搜就有，主要写点心得体会吧

1.《Robust image corner detection through curvature scale space》(PAMI 1998)

曲率尺度空间角点检测算法，CSS，思想现在看来也是较为简单。

核心思路如下：

1. Canny算子检测图像边缘；
2. 填充边缘图像的间隙，寻找T连接点；
3. 在最大尺度图像上计算曲率，通过极大值抑制获得候选角点；
4. 在低尺度图像中逐级跟踪候选角点，直至原图像中，目的是确定精确位置；
5. 检测T连接点与角点是否过近，将其移除。

值得注意的地方：

1. 论文对Canny算子检测对角线边缘不是单像素的缺点进行了一点小的改进
2. 提出了曲率尺度空间的概念，对原图做高斯模糊，生成尺度空间，再计算各点曲率
3. 利用CSS检测出的角点不包含T连接点，故单独检测添加
   

总体来说，检测角点方法中CSS并不常用，感觉更多的改进和应用都在Harris，Hessian这类上，并不常见论文检测角点步骤用的是CSS

2.《Indexing based on scale invariant interest points》(IEEE 2001)

Harris-Laplacian角点检测方法，基本上以后发的角点检测的论文都会把他拉出来做一番比较的。。

核心思路如下：

1. 在每一尺度下都进行类Harris角点检测，采用的是Laplace函数值局部最大确定候选角点；
2. 对每个候选角点比较相邻尺度的Laplace函数值，取比上下两尺度都大的像素点作为最终角点。

值得注意的地方：

1. 提出了角点的特征尺度范围内的像素点与尺度成比例的关系，这一点很有趣
2. 改方法个人感觉采用Harris方法确定角点，然后利用Laplace函数值确定尺度，文章在第二章已经指出了The characteristic scale is the local maximum of the function.
3. 先做高斯模糊，再利用Laplace归一化算子