7. 描述子维数影响

低维算子：steerable filters ,complex filters, differential invariants

基于微分的算子，导数的阶数影响着算子的维数，对于steerable filters 三阶导数和四阶导数都能保持算子的独立性，并且导数的阶数对算子匹配的准确度影响显而易见，但是对complex filters 和differential invariants影响较小。并且steerable filters 计算到四阶导数时效果比differential invariants 效果好。

高维算子：GLOH，PCA-SIFT，cross correlation 算子 维数过高与过低效果都不理想。对于GLOH算子，128维匹配效果高于40维和272维，对于PCA-SIFT36维效果好于20维和100维，对于cross correlation则81维匹配效果好于36维和400维。

8.对不同图像变换的适应性

1）仿射变换。 利用Hessian Affine 和Harris Affine 检测特征点，然后对不同的局部算子测试。效果最好的是SIFT算子。并且利用Hessian Affine 比Harris Affine的效果好，因为基于拉普拉斯的尺度选择与Hessian 算子相结合可以获得更准确的结果。

2）尺度变换 大多算子表现良好

3）旋转变换 有三种误差影响算子的计算：区域误差，位置误差，方向估计误差

4）图像模糊 所有的算子性能都有所降低，但是GLOH和PCA-SIFT算子性能最好，基于边缘检测的算子性能下降最为明显

5）图像压缩 影响小于图像模糊，但是比尺度变换和旋转变换大

6）光照变化 对低维算子影响高于高维算子

总结：1）GLOH性能最好，其次是SIFT

2）低维算子中性能最好的是gradient moments和steerable filters

3）cross correlation 最不稳定

4） Hessian-Laplace 和Hessian-Affine 主要检测圆斑状结构。

5）由于更高的准确性，Hessian 区域比Harris区域性能更好一些