本文主要是介绍理解SURF，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
先说结论
Sift算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；
缺点是：计算量大，对边缘光滑目标的特征点提取能力较弱。
Surf（Speeded Up Robust Features）：是SIFT特征的一种近似计算，在相似性能甚至更好性能的同时提高了算法的速度。
减少计算量体现在：
1、尺度空间：使用盒式滤波器结合积分图像，而非使用DOG高斯差分滤波
2、特征点方向：Surf是利用不同方向bin中的haar小波响应的最大值最为方向；而Sift是统计周围区域像素点的方向直方图，找出最大方向bin作为主方向，而且还可以有多个方向
3、描述子：Surf在关键点周围取区域分成44块小区域，共64维特征；而Sift在周围划分成4*4的子区域，每一个子区域提取长度为8的方向直方图特征，排列起来形成128维特征向量。
整体流程：
首先使用盒式滤波，然后使用Hessian矩阵表征二阶梯度。
积分图像
对于一幅灰度的图像，积分图像中的任意一点（x,y）的值是指从图像的左上角到这个点的所构成的矩形区域内所有的点的灰度值之和。
任意矩形内的像素累加只需要使用矩形四个顶角位置的积分像素值进行加减运算即可得到。
如果要计算矩形
内的所有像素的累加值只需要再积分图像中找到对应
，
，
，
四个位置的积分像素的值进行加减运算：
Hassian矩阵
Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。
Hessian矩阵是Surf算法的核心，构建Hessian矩阵的目的是为了生成图像稳定的边缘点（突变点），为下文的特征提取做好基础。
图像中某个像素点Hessian矩阵。
我们可以利用Hessian矩阵的行列式值判断点(x,y)是否是极值点
当Hessian矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮或更暗的点，由此来定位关键点的位置。
图像的Hassian矩阵
由于特征点需要具备尺度无关性，先对其进行高斯滤波，再进行Hassian计算。
盒式滤波器
使用盒式滤波器近似高斯滤波。
这部分并未详细理解，日后需要的话再深入研究。
Lyy Lxy Dyy Dxy
盒式滤波器（Boxfilter）对图像的滤波转化成计算图像上不同区域间像素和的加减运算问题，只需要简单几次查找积分图就可以完成。
构建尺度空间
Sift中下一组图像的尺寸是上一组的一半，同一组间图像尺寸一样，但是所使用的高斯模糊系数逐渐增大；
Surf中，不同组间图像的尺寸都是一致的，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组间不同层间使用相同尺寸的滤波器，但是滤波器的模糊系数逐渐增大。
区别：在SURF中，我们保持图像不变，仅仅改变高斯滤波窗口的大小来获得不同尺度的图像，即构成了尺度空间。
一幅灰度图像经过尺度空间中不同尺寸盒子滤波器的滤波处理，可以生成多幅Hessian行列式图像，从而构成了图像金字塔。
关键点定位
这里和LoG，DoG相同，都是在生成尺度空间后，找在三维上找极值点。
特征点主方向分配
Sift特征点方向分配是采用在特征点邻域内统计其梯度直方图，
Surf中，采用的是统计特征点圆形邻域内的harr小波特征。
在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直harr小波特征总和，然后扇形以一定间隔进行旋转并再次统计该区域内harr小波特征值之后，最后将值最大的那个扇形的方向作为该特征点的主方向。
特征点描述子
在Sift中，是取特征点周围44个区域块，统计每小块内8个梯度方向，用着448=128维向量作为Sift特征的描述子。
Surf算法中，也是在特征点周围取一个44的矩形区域块，但是所取得矩形区域方向是沿着特征点的主方向。每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之后、垂直方向值之后、水平方向绝对值之后以及垂直方向绝对值之和4个方向。
这篇关于理解SURF的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
