SIFT四部曲之——方向角度确定

本文为原创作品，未经本人同意，禁止转载，禁止用于商业用途！本人对博客使用拥有最终解释权

欢迎关注我的博客：http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/

这个系列的第三篇博客了，比以往时候来的更晚一些，期间经历了好多事，所以耽搁了分享的进程。Ok回到之前的sift算法的解读中来，这一篇博客主要是对sift算法的第三个步骤进行解读和分析，并给出matlab的代码注释，如有疏漏之处，欢迎指出交流！

上面一篇的博客我们讲到了提取出关键点了，这些关键点这时候是具有以下的特性的：尺度和位置的不变性，此时还缺少角度的不变性，这个步骤便是寻找这些关键点的角度的不变性。而后续的操作基本上都是基于这个角度进行的。

在图像中一个像素点往往是不具有说服力的，同样的一个特征点像素值它也不能代表着具有统计意义的图像特性。所以它的角度确定同样需要统计它周围的像素的一些特征，从而得到我们所需要的角度。每个特征点它有自己所在的高斯图像，也拥有自己的尺度信息，为了关联这些的特性，我们统计的是以该特征点为圆心，以该特征点所在的高斯图像的尺度的1.5倍为半径，该圆内所有的像素作为该特征点的角度的统计支持者。

像素梯度的幅值和幅角的计算公式为：

    

    

由此可以得到每一个点的幅值和幅角，但是由于与特征点的距离不同，各个点对特征点的支持也是不一样的，所以离得远的就支持弱一点，离得近的就支持大一点，这里面的权重就要通过一个规则来管理，而这个规则就是高斯滤波，即以特征点为圆心，做一个高斯滤波，给它周围的点加上一个高斯权重。高斯函数的方差当然还是与这个特征点所在的图像层的尺度有关，就是。

计算完各个像素的幅值和幅角，并对幅值进行加权之后，我们要开始计算每一个像素对中心特征点的支持有多大。首先把一个圆周 分成36个柱体，每个柱体代表 ，表示的是 为第一个柱体， 为第二个柱体，依次类推下去，分成36个柱体。分好柱体之后开始统计工作。具体实行如下：

所有相关的像素点计算出来的幅角对应到各自的柱体中，如一个幅角为 ，则该点对应的柱体为