sift特征提取笔记---已同步

1）采用高斯差分金字塔，来近似高斯拉普拉斯算子，是为了在平滑滤波后依然保持尺度不变性，即在不同尺度下的特征不变。

2）采用不同的尺度下的高斯差分图像，是为了在不同尺度下，比较图像之间的特征点。如果一张图像比另一张放大了或缩小了，那么可以比较它们的不同尺度下的特征点。

3）特征点的要素：极值点；其它手段，如：阈值、曲率等等用于剔除不合条件的点；曲线拟合用于提取最大值，也就是关键点的真正位置；

4）特征点的描述：该关键点附近的各个点的幅度和角度，组成向量，128维最佳；对于角度，要统计主方向，然后将特征向量旋转到主方向，这样，向量特征都是从主方向算起，能保证旋转不变性。

5）特征点的比较和匹配：计算两个特征点向量之间的欧式距离，A与A’的距离 除以 A与任意B’的距离 要小于一个临界值（threshold），那么A与A’就是匹配的。

6）surf 特征提取，是其改进方法，更适合计算。

==================================
生成描述符之前，先对关键点圆形邻域的梯度幅值直方图进行高斯平滑，然后进行抛物线拟合，以得到最大的幅值及其相角（也就是特征点的主方向），后续生成描述符时，根据这个相角进行旋转。
为了增强匹配的鲁棒性，可保留峰值大于主方向峰值80％的方向作为该关键点的辅方向，把该关键点复制成多份关键点。
生成描述符：
先旋转，再高斯权重化。
高斯权重化：在x,y方向对邻域像素的梯度幅值进行高斯处理，加强中心位置幅值，减弱四周幅值。然后再进行三线性插值。（这个高斯权重化的区域是以44为中心的88区域，与后续的三线性插值区域是相同的）
三线性插值：为了得到种子点内更精确的梯度直方图，将种子点（4*4像素）及其周围像素的梯度幅值，按照x,y,以及相角的小数位置这三个维度，分配到直方图中，得到最终的幅值。