【论文阅读】An efficient and robust line segment matching approach based on LBD descriptor

一、线段的提取和描述

在LBD的论文中，线段的提取依然是使用EDLine算法，但是在此基础上，增加了一个高斯金字塔。论文使用了一个没有内层的高斯金字塔，一般是五层，通过高斯模糊，逐层处理，之后对每一层使用EDLine算法提取线，提取出来的线利用边上像素的梯度来确定一个方向，边上所有像素的平均梯度所指向的方向，就是线的左侧指向右侧。

之后，将高斯金字塔中不同层的线整合到一起。所谓整合到一起，就是将同一条线在不同层上的表现整合在一起，为了方便叙述，将高斯金字塔最底层的一条线在其他层提取到的结果称为子线，那么整合这一步，实际上就是将线和子线放在一起，因为提取的时候是在高斯金字塔上不同层进行的，所以相当于要将子线对齐到线上。

从代码运行的结果来看，上面这张图实际上是理想情况，我在运行代码的时候，将每一层的子线数目都打印了一下，到高斯金字塔第五层的时候，由于进行了五次高斯模糊，所以图片的清晰程度已经很低了，提取出的线的数目大概是第一层的五分之一，也就是说，如果第一层有100条，第五层就只有20条，那么按照上图所示，在匹配完全成功的情况下，最多也就只有20个LineVec的大小为5，如果子线没有匹配的情况，LineVec的数目根本就没多少。
为了方便叙述，我们将子线分配的过程称为层间匹配，在层间匹配的过程中，代码的写法也比较难理解，假设一条线l在第一层为l1在第二层为l2，代码的写法上认为，如果这两线不匹配，那就是完全不相干的两条线，就是说如果因为EDLine算法的计算误差，导致l1和l2的偏差有些大，超过了匹配的阈值，这两条线完全就认为是两条线，会被分配独自的一个ID进行后续的处理。
这一点根据和师兄的讨论，觉得用特征增强的理论去解释更好理解，使用高斯金字塔，本身是一个描述远距离观察的过程，增加层数，相当于增加了观察者到图像的距离，提取出来的特征一方面看属于金字塔的不同层，但实际上还是图像的一个特征，所以，即使不匹配，也依然是图像的特征的一部分。

其实这