SIFT提取特征

SIFT特征提取：

　　角点检测：

　　Morvavec角点检测算子：基于灰度方差的角点检测方法，该算子计算图像中某个像素点沿水平、垂直方向上的灰度差异，以确定角点位置

　　Harris角点检测算子：不止考察水平，垂直4个方向上的灰度差异，而是考察了所有方向上的灰度差异，并且具有旋转不变性和部分放射变换的稳定性。

　　Shi-Tomasi角点检测算子：通过考察自相关矩阵M的两个特征值中的较小者来确定角点，大部分情况下，有比Harris更好的检测效果。

　　FAST算子：通过考察像素点与其邻域内16个像素点的差异来确定特征点（角点），并且通过分割测试算法对检测效率做了极大的提升。

　　

　　SIFT算子（Scale Invariant Feature Transform）:尺度不变特征变换（尺度不变：按比例缩放）

　　基于尺度空间的，对图像缩放，旋转，甚至仿射变换保持不变性的图像局部特征描述算子。SIFT提取图像的局部特征，在尺度空间中寻找极值点，并提取出其位置，尺度，方向信息。

　　算法实质：在不同的尺度空间中查找关键点（特征点），计算关键点的大小，方向，尺度信息，利用这些这些信息组成关键点对特征点进行描述，sift所查找的关键点都是十分突出，不会因为光照，仿射和噪声等因素而变换的稳定的特征点。匹配的过程就是匹配关键点（特征点）的过程。流程如下：

 

 

 

参考博客：https://blog.csdn.net/hxg2006/article/details/80398701

 

---

Dense-SIFT

 　　图像识别问题之所以采用密集采样，是因为密集采样后的点，会通过训练后的分类器进行进一步的筛选。在研究目标图像表示或者理解时，dense sift 更好，因为即使密集采样的区域不能够被准确匹配，这块区域也包含了表达图像内容的信息。　

　

---

 sif提取特征

输入：一张图像,设置的长宽的最大值

　　每次移动长度的参数

1.图像转换为double类型，如果为rgb，先转成灰度图像，再转换为double类型，否则直接转为double类型

2.读取图像的长宽，是否大于输入的图像的最大值，如果大于，则按比例缩小图像

　　I = imresize(I, maxImSize/max(im_h, im_w), 'bicubic');
　　[im_h, im_w] = size(I);

3.使用稠密sift提取特征

 1）将三维转换成两维：i=mean（i，3）

 2）归一化：i=i /max(i(:))   max(i(:))所有点的最大值