PCA-SIFT论文的后半段翻译

https://blog.csdn.net/songzitea/article/details/18224233
上面链接的博客对论文的前5部分做了翻译， 我只是对后面几段关键部分百度翻译的一下。当做备忘笔记。

SIFTkeypoints是高度结构化的，因此更容易

使用PCA表示。我们看到这些的特征值

随机情况下的斑块衰减比特征值快得多-

选定的渐变面片。这是因为关键点周围的面片都具有特定的特征，这源于SIFT关键点检测阶段：它们都集中在缩放空间的局部最大值上，旋转以使主渐变与垂直方向对齐，并适当缩放。这简化了PCA必须做的工作，并使PCA-SIFT能够使用少量维度精确地表示面片。

需要考虑的一个自然问题是，PCA-SIFT的表示是否对创建特征空间时使用的图像敏感-即，假设一个典型特征空间来表示关键点梯度片是否合理？我们的实验表明，从不同的图像中提取的关键点块生成的特征空间

集合是相当一致的，而且PCA-SIFT的性能不需要我们为测试图像专门训练特征空间。图6显示了用两个不同的本征空间进行的两个受控变换实验（如第4.2节所述）的结果。在第一个实验中，目标图像旋转45°；在第二个实验中，目标图像被投影扭曲。第一个特征空间是专门为这个测试中使用的图像定制的；第二个特征空间是在一组不相关的图像上训练的（也是我们所有实验中使用的特征空间）。在每一个实验中，PCA-SIFT在两个特征空间中的表现几乎相同；差异太小，无法在无标度图中看到，这就要求我们

放大图6以突出显示它们。

SIFT匹配成功的原因之一是它的特征表示被精心设计为对定位误差具有鲁棒性。相比之下，PCA众所周知对注册错误非常敏感。图8a

显示了一个实验，我们在定位阶段之后引入了注册错误。我们在相对于主方向的随机方向上添加1和3个像素误差（以适当的比例）。有点奇怪，

PCA-SIFT继续表现良好。然而，当误差被引入方向分配阶段（图8b）或尺度估计阶段（图8c）时，我们发现PCA-SIFT的精度开始下降。这证实了我们的信念，即标准SIFT表示更适合处理这些错误。然而，我们的实验表明，SIFT算法的特征定位阶段非常擅长于对关键点面片进行定心、定向和缩放，因此在实践中很少（如果有的话）观察到标准SIFT表示的这些优点。

我们假设PCA-SIFT的匹配精度可以归因于几个因素。首先，在关键点附近使用梯度块而不是原始块，使得表示对光照变化具有鲁棒性，并且减少了PCA需要建模的变化。其次，SIFT的前三个阶段执行的预处理简化了PCA的建模问题，因为其余的变化是由于关键点标识和透视图失真造成的。第三，丢弃主成分分析中较低的成分，通过消除未建模失真引起的变化来提高精度。最后，使用少量尺寸在存储空间和匹配速度方面提供了显著的好处。