(SIFT特征)拉普拉斯响应对于拍照角度变换，旋转，光照的处理方式+纹理Texture(卷积核组)

SIFT特征

尺度不变性
https://blog.csdn.net/weixin_43843780/article/details/88615205

拉普拉斯相应(Blob)的特性：

对于拍照角度变换的处理方式：

先计算每个点的梯度值，再计算M，从而得到特征值。判断λ1和λ2是否相等，否则压缩小的那个方向，再计算M值，直到λ1等于λ2

旋转问题？

找到梯度变换最大的梯度方向，如何转到0度(θ度)

光照问题?

描述符提取：划分4x4格子，做梯度直方图(量化角度：0~180)(因为梯度变化不大)，再比较像素中的梯度直方图

提取特征与数据库的特征相比较，计算是否匹配(梯度直方图比较)
通过比较第一近邻和第二近邻的值来确定是否匹配成功(相差大则承认匹配成功)

纹理Texture

作用：

如何区别纹理？
纹理表达方法：

用高斯偏导核计算出x(上)和y轴(下)方向的图，得到xy方向的梯度变换，再统计他们的value


d/dy 表示的是y方向的梯度变化，显示出来就是x方向的边，d/dx同理

再用k-means进行聚类

窗的尺度

卷积核的选择：

多维高斯：55非0表示xy轴相关，(旋转)

卷积完后每个像素点有48维的响应(response)
每个Filter对图像进行卷积后，求均值

不一定要用均值：可以对每个点都进行描述


这些卷积核在神经网络里是自学的(最后得到1024维)