PCA对特征点描述子降维

降维在机器学习领域其实是很重要的一部分，因为在高维情形下回出现样本稀疏，计算距离、内积困难，是所有机器学习面临的共同问题，被称为维数灾难（Curse of dimensionality），而降维就是解决的一个办法，它不仅让运算量变简单，还因为将原始数据投影在主特征分量上可以抵抗一些噪声的干扰。因为想通过降维来缩小图像配准过程中特征点匹配的运算量，也在公众号机器学习算法工程师中看到了一些降维的方法，比如PCA、核化（kernelized，应该就是核机制吧，实现非线性降维）、流行学习、度量学习。当然最成熟的还是PCA，虽然很早就出现了PCA-SIFT，但还是想先自己动手实现一下。思路是先导出Lowe格式的特征点txt文件，然后再在import的时候修改函数降维，写入descr_pca数组中再导出，得到64维的特征点。这时再导入降维之后的数据，通过这些数据来实现图像配准。

这时候就又出现问题了，构建kd树的过程很慢，而且无法得到配准结果。后来才意识到自己用的boat的图像的特征点数据却在实验中用的beaver图像，当改正这个错误，并且导入原始的特征点数据后做实验，结果匹配对的错误率很高，怀疑是不是因为stack_imgs把两幅图像显示在一起，造成坐标变换的原因。但是最起码img1部分的特征点应该正常啊，现在的情况是完全不对。。

从调试情况来看，import部分没有问题，第一个点都是（254,297），对应的第二幅图中检测到的是（134,258），与txt中的数据吻合。在Lowe格式的txt特征点文件中，第一行是特征点个数和描述子维数，对每一个特征点，第一行四个数据依次是特征点的y坐标，x坐标，特征点的尺度，特征点的方向，然后是128个double型数字https://blog.csdn.net/masibuaa/article/details/9204157。问题似乎出在构建kd树之后的寻找匹配对的过程中。Kd树是对图2的特征点feat2构建的，对feat1中的特征点遍历，在kd树中寻找对应的匹配点。找到的第一对是（3,15）-（4,20）.

源码，尤其是c语言，对指针的运用真的是好复杂。如下，在导入特征点中和对kd树中进行knn查找的过程中分别有两重指针和三重指针。

static int import_lowe_features( char*filename, struct feature** features )//静态函数，不能被其他文件使用，所以其他文件也可以有相同的函数名

int kdtree_bbf_knn( struct kd_node*kd_root, struct feature* feat, int k,

struct feature*** nbrs, int max_nn_chks )

在import_lowe_features函数中，有下面关键的两句：

f = calloc( n, sizeof(struct feature) );//在内存的动态存储区中分配n个长度为size的连续空间，函数返回一个指向分配起始地址的指针

*features = f;//相当于feature=&f??把features复数指向f //首地址赋给*features

于是，将import_features(path1, 1, &feat1);改为import_features(path1,1, import_feat1);//第三个参数是指针的指针，struct feature** import_feat1=NULL//初始化，运行的时候异常。

看来还是要用&feat1，因为源码中原始的特征点检测也是这么写的：n1 = sift_features( img1, &feat1 );

后来发现在 feat = feat1 + i;//指针的加法之前，动态分配长度为n的内存之后，fscanf坐标值的时候就出错了。fscanf读取txt文件，要求txt文件编码方式为ANSI，这个没有出错。

fscanf( file, " %lf %lf %lf %lf", &y, &x, &s, &o ) != 4 )//%lf是double类型输入 fscanf返回读取的长度

两个格式控制符%lf之间是空格，适用于数据之间是空格，若数据之间是逗号，格式控制符之间也是逗号，这个也没有出错。