在前面的blog中，我們已經(jīng)講了SIFT的原理，這里我們再詳細講解SIFT的變體：PCA-SIFT和GLOH。

– Scale invariant feature transform (SIFT): Lowe, 2004.

– PCA-SIFT: SIFT: Ke and Sukthankar 2004 Ke and Sukthankar, 2004.

– Gradient location-orientation histogram (GLOH): Mikolajczyk and Schmid 2005

– SURF(Speeded Up Robust Features), Bay, 2006回顧前面講過的SIFT算法，可以很好地應對旋轉(zhuǎn)和尺度不變，光強不變，位置遮擋不變（http://blog.csdn.net/abcjennifer/article/details/7639681），其過程分為四步：

– Detection of scale-space extreme 構(gòu)建尺度空間
– Accurate keypoint localization 關(guān)鍵點檢測
– Orientation assignment 指定方向
– The local image descriptor 局部圖像描述子

David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110

/***************************************************PCA-SIFT*****************************************************/

PCA(Principle component analysis) SIFT 描述子將在所有描述子中提取出更有區(qū)分度，更robust to image deformations的特征。其方法：

– 在第四步中，不用原先的4*4*8個描述子，而是在41*41的圖像塊上計算39*39*2（x,y方向）個梯度導數(shù)，然后使用PCA將得到的3042維向量降到36維。

Y. Ke and R. Sukthankar, “PCA-SIFT: A More Distinctive Representation for Local Image 15 Descriptors,” Computer Vision and Pattern Recognition, 2004.

當然，上圖只是PCA-SIFT作者的一面之詞，Mikolajczyk and Schmid（2005）的描述子測評顯示還是SIFT比較靠譜。

/***************************************************GLOH*****************************************************/

Mikolajczyk and Schmid（2005）提出了一種SIFT變體的描述子，使用對數(shù)極坐標分級結(jié)構(gòu)替代Lowe（2004）使用的4象限。空間上取半徑6，11，15，角度上分八個區(qū)間（除中間區(qū)域）,然后將272（17*16）維的histogram在一個大數(shù)據(jù)庫上訓練，用PCA投影到一個128維向量。

K. Mikolajczyk and C. Schmid,“A performance evaluation of local descriptors ,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 10, pp. 1615-1630, Oct. 2005

/***************************************************SURF*****************************************************/

SURF與SIFT稍有不同，

-SIFT建立一幅圖像的金字塔，在每一層進行高斯濾波并求取圖像差（DOG）進行特征點的提取，而SURF用的是hessian matrix黑森矩陣。

-SIFT特征建立圖像金字塔處理尺度不變特性，而SURF特征將高斯核近似為一個方波濾波，SURF金字塔僅僅用來作特征點的檢測。

下文來自《A Comparison of SIFT, PCA-SIFT and SURF》

SIFT and SURF algorithms employ slightly different ways of detecting features [9]. SIFT builds an image
pyramids, filtering each layer with Gaussians of increasing sigma values and taking the difference. On the
other hand, SURF creates a “stack” without 2:1 down sampling for higher levels in the pyramid resulting
in images of the same resolution [9]. Due to the use of integral images, SURF filters the stack using a box
filter approximation of second-order Gaussian partial derivatives, since integral images allow the
computation of rectangular box filters in near constant time [3].?

In keypoint matching step, the nearest neighbor is defined as the keypoint with minimum Euclidean
distance for the invariant descriptor vector. Lowe used a more effective measurement that obtained by
comparing the distance of the closest neighbor to that second-closest neighbor [1] so the author of this
paper decided to choose 0.5 as distance ratio like Lowe did in SIFT.

Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool?"SURF: Speeded Up Robust Features", Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346--359, 2008

ftp://ftp.vision.ee.ethz.ch/publications/articles/eth_biwi_00517.pdf

/***************************************************COMPARISON*****************************************************/

論文：A comparison of SIFT, PCA-SIFT and SURF 對三種方法給出了性能上的比較，源圖片來源于Graffiti dataset，對原圖像進行尺度、旋轉(zhuǎn)、模糊、亮度變化、仿射變換等變化后，再與原圖像進行匹配，統(tǒng)計匹配的效果。效果以可重復出現(xiàn)性為評價指標。

對以上三種方法進行比較：

method	Time	Scale	Rotation	Blur	Illumination	Affine
Sift	common	best	best	common	common	good
PCA-sift	good	good	good	best	good	best
Surf	best	common	common	good	best	good

由此可見，SIFT在尺度和旋轉(zhuǎn)變換的情況下效果最好，SURF在亮度變化下匹配效果最好，在模糊方面優(yōu)于SIFT，而尺度和旋轉(zhuǎn)的變化不及SIFT，旋轉(zhuǎn)不變上比SIFT差很多。速度上看，SURF是SIFT速度的3倍。

采用最近鄰作為匹配策略的特征描述子性能測評結(jié)果：

Reference:

http://blog.csdn.net/abcjennifer/article/details/7365651

http://www.cscjournals.org/csc/manuscript/Journals/IJIP/volume3/Issue4/IJIP-51.pdf

http://www.cnblogs.com/mysunnyday/archive/2011/08/31/2160298.html

http://140.115.156.251/vclab/teacher/2011AIP/Feature%20Detection%20and%20Matching%20(Part%20II).pdf

from:?http://blog.csdn.net/abcjennifer/article/details/7681718

總結(jié)

以上是生活随笔為你收集整理的特征提取方法 SIFT,PCA-SIFT,GLOH,SURF的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。