关于SIFT特征点检测与黑塞矩阵的读书笔记

SIFT特征点我看了不下六次，每次都看一半就不看了，现在还是半懂不懂，当然和我个人数学水平、知识积累、懒惰的个性有关。
不过SIFT确实包含了很多内容，如高斯金字塔、DOG、矩阵求导以及黑塞矩阵，要求较深的矩阵知识和图像处理知识，如果是初学者我建议先不要看SIFT特征，一方面确实是浪费时间，另一方面是必须要有一定的编程能力、高等数学知识和图像处理理解，才能明白SIFT的深层含义。

黑塞矩阵和拉普拉斯算子
拉普拉斯算子是椭圆形算子，具有旋转不变性，也称为散度，在数字图像上，这个值的正负关系到函数的梯度是增加还是减少，是各方向梯度的总和，说明了图像一阶导数上的变化快慢，本身是图像二阶导数。

注意他并没有指明方向，也就说某个方向的梯度也许是增加，但另一个方向的梯度或许是下降，然而总的梯度是上升的。
关于拉普拉斯的问题建议看一下这篇文章：
https://zhuanlan.zhihu.com/p/67336297

黑塞矩阵包含了拉普拉斯算子，他的特征值说明了变化最快和最慢的两个方向，也就是所说的主曲率方向，其实还是在说图像一阶导数变化快慢的问题，不过指定了两个变化方向。
关于黑塞矩阵建议看一下这篇文章写得不错：
https://blog.csdn.net/lwzkiller/article/details/55050275

SIFT特征
https://www.cnblogs.com/wangguchangqing/p/4853263.html#4048547
就是尺度旋转不变性。

如何实现尺度不变性？答案是高斯金字塔。
如何实现旋转不变性？答案是特征描述及DOG。

高斯金字塔就是降采样的过程，方差越大，物体就越模糊。没什么好说的。

DOG是简化的拉普拉斯算子，我们只想把图像一阶导数上局部变化最快的点（也就是梯度变化最快的点）作为特征点，这个问题必须要对图像二次求导，DOG简化了二次求导的问题，也能得到这种特征点。

SIFT给出的分层搜索局部极大DOG特征点有一个问题，就是该值有可能只是极小范围内的某一个较大值，首先要得到他的极大值，这样才算合格。
所以SIFT用泰勒公式拟合了小范围内的DOG函数，求取了附近的极大值，并做了阈值比较。

黑塞矩阵消除边缘响应，依靠特征值比率剔除一些特征点，这些特征点一般化是边缘点剧烈变化的点，至于为什么筛选这些点。我不知道，可能剧烈的边缘影响匹配。

生成特征描述，比较简单，不写感悟了。
最后可以用欧式距离实现匹配，匹配结果不满意就有RANSAC（搞个单应矩阵）或者最近邻点比次近邻点改善结果。