surf学习备注1

开始看surf的论文，下面是一些摘要和自己的理解。surf的资源可以检索wiki。http://en.wikipedia.org/wiki/SURF

opensurf代码的pdf文档说明的比较清楚。强烈推荐看。opensurf的代码c++的比较简练，推荐看c++版的

下面是文章的一点摘要。

搜索离散的图像点对应可以分成3个主要步骤，1.兴趣点，兴趣点检测子的关键是可重复性2.兴趣点邻域表示为特征向量，3，匹配

本文使用的benchmarking dataset：van Gogh sequence，

1.兴趣点检测的最常用方法是Harris角点（1988年），harris角点是尺度敏感的。Lindeberg引入了自动尺度选择的概念。
2.sift描述子是目前最好的描述子，
3.匹配速度的提高有很多改进的方法，比exhaustive search节约时间
积分图像有利于box型卷积运算

积分图像的定义如下：

文章是这么说的：积分图像只需3次加法运算来计算任何垂直的四边形区域的强度。计算时间和filter的size 无关。

 

文章采用了hessian矩阵，记得在sift中，hessian矩阵的获得是基于dog的。

本文中定义

但现在还没提到L（x,simga)是如何得到的。

接下去提到高斯二阶偏导filter的产生。why不是很清楚。。。。

surf中的filter是9*9的，比sift中的大

后面计算hessian矩阵的行列式，用到了一个权值w

 

这样做的目的是为了“energy conservation”，说的太玄了，不很理解，应该就是为了使行列式的计算等式成立吧。

这里有Frobonius 范式。公式如下

 

3.3尺度空间representation

sift中用dog金字塔来构建尺度空间，在surf中没有这么做。二阶高斯偏导卷积直接在积分图像上运算，高斯卷积的尺寸不断变大来获得尺度空间。最大的filter尺度大于图像尺寸。【我想----这样看来surf的尺度空间似乎保留了整幅图像的特点，既然它的filter覆盖了整个图像。】

 

看到这里有点迷糊，

构建尺度空间的方法不一样带来的区别是什么？文中说的是速度的提高。解释的理由不是很明白。应该是sift中的尺度空间是需要全部先计算好的。surf中则可以只在需要的地方计算。【不知道是不是这样，往下看再说。】

filter的构建也不是很明白。Subsequent layers are obtained by upscaling the filters whilst maintaining the same filter layout ratio. As the filter size increases so
too does the value of the associated Gaussian scale, and since ratios of the layout remain
constant we can calculate this scale by the formula:

 

后面的描述子部分，显示用到了haar wavelet，这部分内容以前不了解。

 

 

下面是代码opensurf的代码。

// Create integral-image representation of the image，创建积分图像，后续的操作是在积分图像上进行的
  IplImage *int_img = Integral(img);
 
  // Create Fast Hessian Object，创建一个Fast Hessian对象。
  FastHessian fh(int_img, ipts, octaves, intervals, init_sample, thres);
 
  // Extract interest points and store in vector ipts，主要的工作是在这里做的，包括创建hessian金字塔
  fh.getIpoints();
 
  // Create Surf Descriptor Object
  Surf des(int_img, ipts);

  // Extract the descriptors for the ipts
  des.getDescriptors(upright);

  // Deallocate the integral image
  cvReleaseImage(&int_img);