Notes8——《Vehicle image mosaics t

这篇文章是一篇用于做图像拼接的文章，通过对图像进行拼接后，用以检测大尺寸汽车的轮廓。其旨在通过提升的SIFT算法，提升配准的速度，同时减少误配准的特征点对。另外对于拼接处的缝隙，通过金字塔的方式进行融合。在这儿主要记录两点，一是提升的SIFT算法思想；二是金字塔的融合方式。

1、提升的SIFT算法：论文的作者发现，在检测特征点时，大部分的特征点都分布在DoG尺度空间的第一层，所以，作者提出，在进行特征点的检测时可以直接只在第一层进行检测，在这儿说的第一层是指DoG金字塔中的第一个倍频层，不是每一个倍频层上的第一层。

2、在找到特征点并进行匹配后，再根据先验信息对匹配后的特征点进行筛选，在这儿，作者用到了两个先验信息，一是配准的两点间的连线的斜率在一个范围内；二是相邻的两个特征点，其disparity gradient的值应该小于2。如下图（1）（2）所示。

（1）斜率应在一个范围内 （2）disparity gradient值

*另外，文中在试验部分提到将128D的特征描述子减少至32D的，以提升效率。

3、金字塔融合：

首先对图像建立N层的高斯金字塔结构和对应的laplacian金字塔，然后从最底层的高斯图像与对应的laplacian图像相加得到一幅新的图像，再下采样后与上层的laplacian图像相加，如此循环得到最终的图像。这个操作是针对拼接后的一张图像进行的处理，不同于之前的基于laplacian金字塔的融合方法，将两张图像分别建立金字塔后进行融合。

总结：这篇文章对于自己写第二篇论文的可取之处在于其提升的SIFT算法思想，自己将对此进行试验。