特征匹配之：Sift/Surf描述子由float型转为Char类型

摘要：最近在做基于特征的倾斜影像匹配，为了降低计算代价加速匹配的目的，我将128维float类型的Sift描述子转为char类型，下面分享代码。

void float2BYTE(float* pVector, unsigned char* pDescriptor, int len, float topThreshold)
{
	float sum = 0;
	float aValue;
	// 1. 首先对float类型的描述子进行归一化计算
	for (int k = 0; k < len; k++)
	{
		aValue = abs(pVector[k]);
		aValue = min(aValue, topThreshold);
		pVector[k] = aValue;
		sum += aValue*aValue;
	}
	sum = sqrt(sum);
	sum = 1.0/sum*512;  
	
	// 2. 转为char类型的描述子
	for (int k = 0; k < len; k++)
	{
		aValue = pVector[k];
		pDescriptor[k] = cv::saturate_cast<uchar>(aValue*sum);
		//pDescriptor[k] =  (vl_uint8) (aValue*sum);
	}
}

即，描述子类型转换的思路为：先归一化处理(描述子为向量)，再进行类型转换
上边为了告诉大家将描述子做类型转换的思路，我将float类型的描述子首先做了归一化，其实在vlSIft中已将将float的描述子进行了归一化计算，实际处理中不需要做归一化只需进行类型转换(看了vlSift的源码，具体我还未实验)。另外，个人实验发现vlSIFT提点效果优于OpenCV中的sift提取特征点，vlSIft的实现在层数和阶数上更科学。

希望可以帮到你！