qq_34420188的博客

SPM [1]全称是Spatial Pyramid Matching，出现的背景是bag of visual words模型被大量地用在了Image representation中，但是BOVW模型完全缺失了特征点的位置信息。文章被引用了3400多次。文章的贡献，看完以后觉得其实挺简单的，和分块直方图其实是一个道理------将图像分成若干块(sub-regions)，分别统计每一子块的特征，最后

上一篇提到了SPM。这篇博客打算把ScSPM和LLC一起总结了。ScSPM和LLC其实都是对SPM的改进。这些技术，都是对特征的描述。它们既没有创造出新的特征（都是提取SIFT,HOG, RGB-histogram et al），也没有用新的分类器（也都用SVM用于最后的image classification），重点都在于如何由SIFT、HOG形成图像的特征（见图1）。从BOW，到BOW+S

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成纯数

一、介绍特征的检测和匹配在许多计算机视觉应用中是一个重要的组成部分，例如无缝拼接，三维重建等。其中兴趣点特征是很重要的一类特征，而目前应用最广泛的兴趣点特征检测方法就是SIFT检测算法，该检测算法所得到的特征点不仅在位置上能够稳定识别，而且具有尺度不变性和旋转不变性。由于各大论坛以及该论文作者都只是给出matlab的实现算法，并未给出C++的版本，而且由于在SIFT的实现过程中有很多参数设

仿射变换（Affine Transformation或 Affine Map）是一种二维坐标到二维坐标之间的线性变换，它保持了二维图形的“平直性”（即：直线经过变换之后依然是直线）和“平行性”（即：二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变）。放射变换可以写为如下的形式：

登陆网址，https://developer.nvidia.com/cuda-gpus选择对应的显卡系列，即可查看你的GPU显卡是否支持CUDAru

目前，很难找到一种普适的方法能够应对所有的配准情况，任何一种配准算法都必须考虑图像的成像原理、几何变形、噪声影响、配准精度等因素。不过，从原理上将，配准算法可以大致分为以下四个步骤：（1）特征提取采用人工或者自动的方法检测图像中的不变特征，如：闭合区域、边缘、轮廓、角点等。特征提取算法需要满足三个条件（a）显著性，所提取的特征应该是比较明显的，分布广泛的、易于提取的特征；（b）抗噪

线性变换就是矩阵的变换，而任何矩阵的变换可以理解为 一个正交变换+伸缩变换+另一个正交变换。（正交变换可以暂时理解为 不改变大小以及正交性的旋转/反射 等变换）A*P = y*P ，y就是特征值，P是特征向量，矩阵A做的事情无非是把P沿其P的方向拉长/缩短了一点（而不是毫无规律的多维变换）。y描述沿着这个方向上拉伸的比例。对于满秩的n*n方阵，做特征值变换，非满秩的矩阵，做