Sift算法-----part4
我們在前面的步驟中產生了許多關鍵點，其中的一些點是沿邊緣分佈的或者經歷的對比不夠充分，其中的任一種情況都使得這些關鍵點不能成爲特徵點。所以，我們得剔除它們。剔除的方式類似於Harris角點檢測法中使用的方法。
移除低對比度的特徵點
這很簡單，如果在DOG圖像中某點像素點的值小於某個特定的值，那麼丟棄它。因爲我們已經計算出亞像素點，我們需要使用taylor表達式來算出在亞像素點鐘的值。如果強度偏小，同樣會丟棄它。
Removing edges
我們計算出關鍵點的兩個梯度值，彼此相互垂直。對於一張圖片中的關鍵點進行計算，該點的兩個梯度有三種情況：
對於平滑的區域
這兩個梯度都比較小。
邊緣
與垂直於邊緣的梯度值比較大，而沿着邊沿的梯度值比較小。
角點
兩個梯度都比較大。
對於角點纔是我們想要的關鍵點，因此梯度值可以成爲我們判斷的標準。
這部分與Harris類似，可以參閱相關資料。
總結
我們已經剔除了一定數量的關鍵點，這對算法的效率和穩定性很重要。
任何疑問或者建議，請留下評論。
