图像局部显著性—点特征（FREAK）

         参考文章：Freak特征提取算法  圆形区域分割

一、Brisk特征的计算过程（参考对比）：

1.建立尺度空间：产生8层Octive层。

2.特征点检测：对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对原图像img进行一次FAST5-8角点检测（当做d(-1)层，虚拟层），总共会得到9幅有角点信息的图像。

3.非极大值抑制：

4.亚像素插值：进过上面步骤，得到了图像特征点的位置和尺度，在极值点所在层及其上下层所对应的位置，对FAST得分值（共3个）进行二维二次函数插值（x、y方向），得到真正意义上的得分极值点及其精确的坐标位置（作为特征点位置）；再对尺度方向进行一维插值，得到极值点所对应的尺度（作为特征点尺度）。

5.特征点描述：使用如下图的砖块模式

5.1 通过计算局部梯度来计算主方向

5.2 根据主方向进行旋转，得到，512Bit的二进制编码，也就是64个字节（BRISK64）的Brisk特征。

二、FRESK特征的计算过程

步骤5之处，采样模式发生了变化，如下图：

        从图中可以看出，该结构是由很多大小不同并有重叠的圆构成，最中心的点是特征点，其它圆心是采样点，采样点离特征点的距离越远，采样点圆的半径越大，也表示该圆内的高斯函数半径越大。

特点：

        由于FREAK描述符自身的圆形对称采样结构使其具有旋转不变性，采样的位置好半径随着尺度的变化使其具有尺度不变性，对每个采样点进行高斯模糊，也具有一定的抗噪性能，像素点的强度对比生成二进制描述子使其具有光照不变性。因此由上述产生的二进制描述子可以用来进行特征匹配。在匹配之前，再补充一下特征点的方向信息。

三、OpenCV使用Freak描述子

     

参考一个Freak与ORB的对比评测：http://blog.csdn.net/yang_xian521/article/details/7732835

关于主方向的确定和匹配模式，请参考原文：特征检测Freak检测算法。

参考资料：FREAK原始论文《FREAK: Fast Retina Keypoint》