0 引言

在图像处理中，经常需要改变图像的尺寸，比如在图像识别时需要将图像归一化到某一标准尺寸，在目标检测中需要在不同尺度的图像上进行检测，以应对尺度变化。OpenCV提供了如下两种方式来改变图像尺寸：

1. resize()函数。最直接的方法，只要给定输入输出图像，以及目标尺寸和插值方式就可以完成。
2. pyrUp(),pyrDown()函数。即图像金字塔相关的两个函数，对图像进行向上采样，向下采样的操作。

这篇文章中，首先介绍图像金字塔的原理，接着介绍resize()函数，然后是pyrUP()和pyrDown()函数，最后是一个综合实例程序。

0 引言参考文献[1] Bay H, Tuytelaars T, Van Gool L. Surf: Speeded up robust features[J]. Computer vision–ECCV 2006, 2006: 404-417.

0 引言

Harris角点被誉为是局部特征领域中的第一篇文章，而SIFT特征则是最重要的一篇文章，现在的科研工作者正在向最后一篇文章努力。作为最重要的一篇论文提出的SIFT特征，之所以重要，是因为它具有尺度和旋转不变性，即使在仿射变换、视角变化、含有噪声和光照变化的条件下，特征匹配也具有鲁棒性。那么接下来，就分析一下，为什么SIFT具有这些特性？最后给出一些利用OpenCV实现的例子。

0 学习目标

0 学习目标

• 理解基础矩阵F和本征矩阵E的定义、区别和联系
• 学习基础矩阵F和本征矩阵E的计算
• 解析OpenCV相关源代码
• 利用OpenCV求解实现

0 学习目标

• 理解ORB特征的原理和优缺点
• 利用OpenCV实现ORB特征
• 了解ORB特征在ORB-SLAM中的应用

1 原理

ORB (Oriented FAST and Rotated BRIEF)特征基于BRIEF特征，但是具有旋转不变性，并具有抗干扰的能力。ORB特征的贡献有：

• 为FAST角点增加了可以快速计算和精确的方向信息
• 可以快速计算的具有方向信息的BRIEF描述子rBRIEF
• 对rBRIEF方差和相关特性进行了分析
• 一种基于学习的具有旋转不变性的解相关BRIEF特征，在最近邻算法应用中表现很好

0 学习目标

• 理解BRIEF特征
• 利用BRIEF特征，实现特征匹配

1 原理

特征点的descriptor是很多视觉任务的重点，例如在物体检测，三维重建，SLAM中，都会用到特征检测和匹配。在视觉SLAM这种对实时性要求很高的领域，descriptor的快速计算显得尤为关键。BRIEF(Binary Robust Independent Elementary Features)是一种很方便计算，而且很具有鲁棒性的特征描述形式。

我们知道SIFT特征是一种具有旋转、尺度、光照不变的特性，是一种非常理想的局部特征描述方式。但是它需要用一个128维的向量来进行表示，计算和匹配都非常耗时。SURF在计算量上对其进行了改进，使用64维向量来表示，但是每一位是一个浮点数，需要4个字节来保存，共需要256个字节保存，这对于存储的需要很大。为了减小它的计算量和存储量，大致上有三种方法：

0 背景最近在做手写数字识别的一个项目，是在Linux平台下面用C++和OpenCV开发的。因此需要用C++和OpenCV来读取MNIST手写数字数据集。 1 MNIST数据集文件说明下载地址 http://yann.lecun.com/exdb/mnist/{img [] }

0 学习目标

• 了解决策树模型，以及决策树学习的三个步骤：特征选择、决策树的生成和决策树的修建
• CART算法的学习与应用

1 决策树模型

结构：决策树由结点(node)和有向边(directed edge)组成.结点有两种类型，内部结点(internal node)：表示一个特征或者属性；叶子结点(leaf node)：表示一个类.

用决策树分类，从根结点开始，对实例的某一特征进行判断，根据判读结果，将实例划分到其子结点；因为每个内部结点对应实例的一个特征的取值。此时，再根据子结点的特征进行判断，如此递归地对实例根据特征进行判断和划分，直至达到叶子结点。最后将实例划分到叶子结点的类中。

如此可见，决策树也可以看成是一个if-then规则的集合。还可以表示成给定特征条件下类的条件概率分布。