PCA-SIFT算法关键点提要

PCA-SIFT与SIFT算法的区别在于产生描述子的方式不同，其他步骤都相同。
PCA-SIFT是在特征点主方向上取一个41*41的patch，对其进行水平和垂直的梯度，得到一个39*39*2=3042维德向量，然后用PCA对其降维（论文原文推荐是到20维，具体多少维可以自己定），得到低维数的描述子；
而SIFT是在主方向上取一个16*16的patch，把这个patch分为4*4个小patch，对每个小patch在8个方向上投票求幅值，得到一个4*4*8=128维的描述子；
所以PCA-SIFT相对SIFT而言会有更快的匹配速度，但效果相比不定。

首先说一下除产生描述子以外的步骤的关键点
1.对图像高斯平滑时，用的高斯滤波与图像卷积，图像的扩展方式要以复制边界的方式而不是填充0的方式，否则边界周围会出现错误的特征点。
2.精确定位时，求的▲x是分别在x,y,σ方向上求偏导，即分别求差分。

3.去除对比度比较低的点这步很重要，会滤去大部分点，留下特征性比较强的点。
4.确定主方向时，要先对图像高斯滤波，然后再在36个方向上加权幅值投票，要注意的是高斯滤波和幅值加权不是一回事。
对于PCA-SIFT产生描述子的关键点
1.将图像旋转到主方向上的方式是在特征点周围取一个59*59的patch，这样就能保证无论这个patch怎么旋转都能取到一个41*41的patch，matlab中可以用imrotate()双线性插值对图像进行旋转。图像旋转的原理可以想象为，对坐标旋转后生成新的坐标，这个坐标可能不是整数，用这个坐标如（31.5，22.3）周围的四个点（31，22），（31，23），（32，22），（32，23）上的灰度值按着距离比例对其插值形成这个点的灰度值。
2.PCA算法中，只对其中一副图像求投影矩阵，并用这个矩阵作为公共的转换矩阵，对所有图的k*3042维特征点进行降维，记住，投影矩阵只求一次！！！