Surf特征

在对未配准图像进行融合处理时，现在尝试着先对所有图像进行配准操作，在这儿用到的特征是SURF，SURF是SIFT的一种优化加速，其过程可以概括为以下几个步骤：

Step1：构建Hessian矩阵，生成所有的兴趣点，用于特征提取；

Step2：构建尺度空间；

Step3：特征点定位；

Step4：特征点主方向的确定；

Step5：生成64维特征点描述子；

Step6：特征点匹配。

---

在SURF中一个关键的步骤在于使用Hessian矩阵来构建尺度空间（DoH），Hessian矩阵行列式的大小表征了图像在该点响应值的大小，前面的系数0.9是为了平衡因使用盒式滤波器近似所带来的误差。

将二阶的高斯卷积转换成盒式滤波，卷积的过程变成了几次加减操作，由此实现了加速。同时，不同于SIFT在构建尺度空间时，下一层的图片需要依赖前一层的卷积结果，而不能形成并行化的操作，其采用的方式是固定滤波器的大小，进行下采样的方式，生成若干组，每组若干层的金字塔结构。SURF在构建尺度空间时，图片的大小不变，设置不同的sigma的值，同时改变盒式滤波器的大小，由此完成滤波操作，其也是生成若干组，每组若干层的结构，可见在这种方式下，可以通过进行并行化的方式来实现，由此而提升处理速度。不同的是，所有的图片有相同的大小，过程没有进行下采样操作。

特征点主方向的确定，不同于SIFT中统计梯度直方图，其采用的是harr小波。最后对图像进行旋转至主方向，最终形成64维的特征描述子。如下图：

---

把Speed-Up Robust Feature的原文读了两遍，对SURF特征提取及描述子的形成有了一个更深入的理解：

其关键点为：

1、将传统的高斯二阶矩的滤波计算，转换为盒式滤波；

2、利用积分图的思想进行卷积，从而使计算的复杂度与滤波器的尺寸无关，极大地提升了运算速度。

3、不同于DoG的金字塔结构，通过下采样原图像，SURF通过改变滤波器的尺寸保持原图像尺寸不变，其每一个octave，每一层layer的滤波器尺寸大小为：