五.以不变应万变：前端-视觉里程计之特征点

        角点是指在图像中具有显著变化的区域，通常表示图像中的边缘或角落。角点检测算法旨在找到这些角点，以用作计算机视觉任务中的特征点。SIFT,SURF,KAZE算法就是经典的特征点检测算法。
        SIFT算法是一种用于图像特征提取的经典方法。它通过使用高斯滤波器构建图像的尺度空间，并检测关键点。SURF算法是一种快速而稳健的特征提取算法。它使用盒滤波器计算图像区域的Haar小波响应，并检测关键点。KAZE算法是一种自适应和尺度不变的特征检测和描述算法。它基于非线性尺度空间的图像特征，并使用欧拉图的局部二进制描述子（LDB）来表示关键点的特征。
        Harris角点检测是一种经典的角点检测算法。它通过计算图像中每个像素周围区域的灰度值差异来判断是否存在角点。Shi-Tomasi角点检测是对Harris角点检测的改进。它使用结构矩阵的最小特征值作为衡量角点响应的标准。
        FAST（Features from Accelerated Segment Test）角点检测是一种高速的角点检测算法。它通过比较像素周围圆形邻域内的灰度值来判断是否存在角点。ORB（Oriented FAST and Rotated BRIEF）算法结合了FAST角点检测和BRIEF特征描述子。它对FAST角点进行了改进，以提高描述子的性能。使用了一种旋转不变性的方法来改进FAST角点的描述子，使其更具鲁棒性。

思考：
1.SIFT或SURF的原理，并对比它们与ORB之间的优劣？
SIFT原理：
SIFT算法通过不同尺度下的高斯滤波器构建尺度空间，然后利用高斯差分来检测关键点。
对于每个关键点，SIFT算法计算其周围区域的梯度幅值和方向，并构建特征描述子。
特征描述子使用关键点附近的梯度方向直方图表示，具有尺度不变性和旋转不变性。
SURF原理：
SURF算法通过构建图像的尺度空间和Hessian矩阵的行列式来检测关键点。
对于每个关键点，SURF算法利用盒滤波器计算特征点周围区域的Haar小波响应。
特征描述子使用关键点附近的Haar小波响应构建，具有尺度不变性和部分旋转不变性。
对比：
①特征提取速度：ORB > SURF > SIFT。ORB算法通过结合FAST和BRIEF实现了较快的特征提取速度，而SIFT和SURF相对较慢。
②特征描述子维度：SIFT > SURF > ORB。SIFT的特征描述子维度较高，SURF次之，而ORB使用二进制描述子，维度较低。
③尺度不变性：SIFT、SURF和ORB都具有尺度不变性，但SIFT和SURF在构建尺度空间时使用了不同的方法，SIFT更稳定。
④旋转不变性：SIFT、SURF和ORB都具有旋转不变性，但ORB通过降低描述子的旋转敏感性来实现更好的性能。
⑤鲁棒性：SIFT > SURF > ORB。SIFT具有较强的鲁棒性，SURF次之，ORB在某些场景下可能会受到噪声的干扰。

2.OpenCV提供的ORB特征点在图像中分布不够均匀。你是否能够找到或提出让特征点分布更均匀的方法？
①关键点采样密度控制：通过调整ORB算法中的参数，可以控制关键点的采样密度。ORB算法中的一个重要参数是nFeatures，它控制了要提取的最大特征点数量。通过增加或减少该参数的值，你可以调整提取到的特征点的数量，从而影响特征点的分布。
②图像金字塔：使用图像金字塔可以在不同尺度下对图像进行处理，从而获得更好的特征点分布。通过使用多个尺度的图像金字塔，可以在不同的分辨率下检测特征点，并在结果中进行合并，以获得更均匀的特征点分布。
③非最大抑制：在提取到的特征点中，可以应用非最大抑制（NMS）算法来选择具有较高响应值的特征点，并抑制邻近的重复特征点。这样可以使特征点在图像中更均匀地分布。
④自适应阈值：通过根据图像局部区域的特征点密度来自适应地调整特征点的阈值，可以使特征点在整个图像中更均匀地分布。这可以通过计算每个像素周围区域内的特征点数量，并根据该数量调整特征点的阈值来实现。
棒性和可靠性。