【图像处理】特征描述子

角点：
Hessian矩阵：
Harris：http://blog.csdn.net/hujingshuang/article/details/46829627
DoG算子：区别于LoG，Difference of Gaussian，选择不同的gaussian滤波参数（一般是不同的方差δ）对一幅图像进行滤波后将结果相减；注意不是一幅图像中的相邻位置像素差分而是相当于两幅图像的对应位置相减；用DoG算子结合不同的高斯滤波尺度（标准差delta）可以提取图像中的角点、特征点，其中角点取上下层26个邻域元素的最值是角点；

FAST：选择的特征点很接近角点
比较中间点与半径3.4的圆经过的邻域上的连续的12/9个点的灰度值，若有连续12或9个邻域像素值都大于或都小于中心像素点，则认为是候选特征点；用ID3信息增益进行决策树的训练；通过定义特征点响应函数进行角点的非极大值抑制；配合金字塔模型，可以对不同尺度的图像进行特征点检测，结果总和为最终结果；
Brief：无方向不变形
ORB=FAST特征点检测提取+改进的Brief特征点描述：http://m.blog.csdn.net/zouzoupaopao229/article/details/52625678（介绍了orb，fast和brief）

Brisk算子：http://blog.csdn.net/lhanchao/article/details/52734428
方向不变、尺度不变
基于改进的Fast的特征点检测+金字塔多尺度+非极大值抑制+

SIFT：http://blog.csdn.net/zddblog/article/details/7521424用Dog代替LoG

SURF：http://www.cnblogs.com/ronny/p/4045979.html用积分图简化DoH（det of hessian）中的高斯二阶模板

LBP：

HOG：

图像处理常见算子：
边缘：
一阶差分边缘：
Robert算子：连续，插值；内插点处的连续梯度近似值：|Gx|+|Gy|
Sobel算子：离散
Prewitt算子：与Sobel相似
Kirsch算子：差分，原理类似
Canny算子：高斯，梯度大小方向，非极大值抑制，双阈值
二阶差分边缘：
Laplace算子：垂直方向上二阶差分的和 ▽2G
LoG算子==Marr算子：http://blog.csdn.net/pi9nc/article/details/18619893
将Laplace算子和高斯滤波卷积到一起，提高Laplace算子对噪声的抗性；相当于用高斯滤波的二阶差分进行卷积；（DoG：区别于LoG，Difference of Gaussian，Lindeberg在1994年就发现高斯差分函数（Difference of Gaussian ，简称DOG算子）与尺度归一化的高斯拉普拉斯函数 σ2▽2G 非常近似。其中和的关系可以从如下公式推导得到： σ▽2G=∂G/∂δ
选择不同的gaussian滤波参数（一般是不同的方差δ）对一幅图像进行滤波后将结果相减；注意不是一幅图像中的相邻位置像素差分而是相当于两幅图像的对应位置相减；）

拉格朗日函数：约束条件下的优化问题http://www.cnblogs.com/ooon/p/5721119.html
凸优化：
凸函数：
凸函数是一个定义在某个向量空间的凸子集C（区间）上的实值函数f，而且对于凸子集C中任意两个向量, f((x1+x2)/2)>=(f(x1)+f(x2))/2 ,则f(x)是定义在凸子集c中的凸函数（该定义与凸规划中凸函数的定义是一致的，下凸）。

DL:
激活函数
softmax
tanh
sigmod
relu