图像特征— —SURF特征

简介

SURF特征是对SIFT特征的改进，其基本结构、步骤与SIFT相近，但具体实现的过程有所不同。SURF算法的优点是速度远快于SIFT且稳定性好。

关于SIFT特征和Haar特征之前的文章有讲，这里主要就不赘述，请自行去查看~

SURF算法主要步骤：
1. Hessian矩阵构建

1. 尺度空间构建

2. 特征点精确定位

3. 方向确定

4. 特征点描述

SURF算法原理

Hessian矩阵构建

SIFT算法建立一幅图像的金字塔，在每一层进行高斯滤波并求取图像差(DOG)进行特征点的提取，而SURF则用的是Hessian矩阵进行特征点的提取，所以Hessian矩阵是SURF算法的核心。假设函数f(x,y)，Hessian矩阵H是由函数偏导数组成。首先来看看图像中某个像素点的Hessian矩阵的定义为：

从而每一个像素点都可以求出一个Hessian矩阵，Hessian矩阵判别式为：

判别式的值是H矩阵的特征值，可以利用判定结果的符号将所有点分类，根据判别式取值正负，从来判别该点是或不是极点的值。在SURF算法中，通常用图像像素I(x,y)取代函数值f(x,y)。然后选用二阶标准高斯函数作为滤波器。通过特定核间的卷积计算二阶偏导数，这样便能计算出H矩阵的三个矩阵元素Lxx, Lxy, Lyy，从而计算出H矩阵公式如下：

但是由于我们的特征点需要尺度无关性，所以在进行Hessian矩阵构造前，需要对其进行高斯滤波。这样，经过滤波后在进行Hessian的计算，其公式如下：

L(x,t)是一幅图像在不同解析度下的表示，可以利