持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第1天，点击查看活动详情

一、特征检测子

特征点要求：

• 特征点应该呈现出非特征点的明显特征
• 对应同一三维点的特征点应该在不同视角中被重复检测到

（一）Harris角点检测

1. 原理:特征点在图像梯度和各像素响应值上存在局部差异性
2. 图像梯度：表示横纵坐标上像素的变化程度
3. Harris矩阵：矩阵的特征值反映了相互垂直的方向上的变化情况

• 入1 ，入2趋近于0，兴趣点位于光滑区域
• 入1>0，入2趋近于0，兴趣点位于边缘区域
• 入1，入2大于0，兴趣点位于角点区域

4. 计算每个像素位置的Harris角点响应值

5. 选取Harris角点响应值大于给定阈值且局部最大的位置作为特征点

6. 进行非极大值抑制，减少重复检测

（二）LoG特征检测子

1. 产生原因：Harris角点检测不具有尺度不变性，于是利用尺度归一化LoG算子
2. LoG函数值计算：
3. 同时在位置空间和尺度空间寻找归一化LoG极值（极大/极小）作为特征点
4. 进行非极大值抑制，减少重复检测

（三）DoG的特征检测子（SIFT）

1.这个就比较全能了：旋转不变性，尺度不变性，亮度变化不变性，对视角变换，放射变换有一定程度的稳定性 2.第一步：计算图像尺度空间： 3. 第二步：特征点确定：在位置和尺度空间组成的三维空间中寻找极值点 4.第三步：DoG在边缘处值较大，需要除去检测到的边缘点 5.第四步：通过统计梯度直方图的方法确定主方向，使算法具有旋转不变性