【图像特征】【OPENCV】SIFT，SURF，ORB，Harris，FAST，量化匹配度

图像特征

本章主要介绍一些特征点的理论及opencv如何调用，如有疏漏望不吝赐教，对你如果有帮助，不胜荣幸。xue.2018.4.9

注： Opencv出现的特征点检测原理可以从如下链接了解
1、OpencvTutorial>>feature2d module.2D Features framework
2、OpencvTutorial>>OpenCV-Python Tutorial>>Feature Detection and Description

目录：

环境：
Win10.x64
VS2015
Opencv3.4

注： Opencv-contrib搭建参考连接

---

1.0 SIFT(Scale-invariant feature transform)

尺度缩放，旋转，亮度变化具有不变性
应用范围：物体识别，机器人地图感知与导航，影像缝合，3D模型建立，手势识别，影像追踪和动作对比。

1.1 参考文献

原理参考：
1，SIFT算法详解
2，SIFT特征提取分析
3. SIFT原理与源码分析：DoG尺度空间构造
4.Introduction to SIFT (Scale-Invariant Feature Transform)
5.sift

1.2 尺度空间和多分辨率

尺度空间：
 1，考虑图像在多尺度下的描述，获取感兴趣物体的最佳尺度。
 2，如果在多尺度下都可以检测出相同关键点，即具有尺度不变性。
 3，图像的尺度空间表达->就是图像在所有尺度下的描述。

尺度空间表达 采用高斯核
 1，高斯核实唯一可以产生多尺度空间的核。
 2，高斯卷积只是表现尺度空间的一种形式。

金字塔多分辨率
图像金字塔一般包含两个步骤：
 1，低通滤波器平滑图像
 2，对平滑图像进行降采样。

尺度空间表达是由不同高斯核平滑卷积得到，在所有尺度上有相同的分辨率
金字塔多分辨率表达每层分辨率减少固定比率

1.3 Scale-space Extrema Detection

 Log(Laplace of Gaussian) pyramid 代价高，SIFT采用了高斯差分(Difference of Gaussian)近似LOG。

注： 每个octave含有相同分辨率，不同高斯核$\sigma$和$k\sigma$。

注： 建立DOG后，一个像素(上图中黑X)，同其周围8个像素点，和上下不同尺度9个像素点作对比，如果是局部极值，则说是当前尺度空间的特征点

不同的高斯尺度组

根据经验建议：octaves =4，number of scale levels =5, $\sigma =1.6$,$k=\sqrt(2)$

1.4Keypoint Localization（精确化）

&emsp；1，移除弱极值点：当获取特征点后，需要对其进行提炼以获得更精确的结果（上述的极值点都是在离散空间进行搜索的）。通过泰勒公式对DOG进行展开，滤除极值小于contrastThresholdValue的情况。

原文中contrastThresholdValue =0.04

  2，删除边缘效应：DOG对边缘有较强的响应，落在边缘的点也不是稳定的特征点。通过2*2 hessian matrix计算主要轮廓。

其中令$\alpha =\lambda_{max}$,$\beta =\lambda_{min}$;
Tr(H)=Dxx+Dy