我以前的部落格裡面介紹了大量的角點檢測演算法和其區域性描述子設計方法，這裡將摘錄其各自的論文和相關綜述文章內的實驗估評估，然後給出自己的一些總結。（特別多的圖>O<）

一、角點檢測子的效果評估

1.1 Harris同SIFT、FAST、SURF等角點檢測方法匹配效果

1.2 S-LOCOCO同Harris及KLT的比較

1.3 FAST同其它方法的比較

1.4 各類基於曲線的角點檢測方法比較

1.5角點檢測子評估總結

在基於影象畫素的角點檢測方法裡FAST-9及FAST-ER方法對於影象旋轉、尺度變化具有較高的穩定性，但是其對於噪聲非常敏感，噪聲過多能極大影響其匹配率，包括近來的許多檢測匹配方法（ORB、BRISK、KAZE等）都是利用FAST-9方法作為角點檢測子。而DOG運算元（Hessian矩陣）對於噪聲具有較高魯棒性，所以SIFT方法選擇這個角點檢測子，其次SUSAN對於噪聲也有一定魯棒。另外我們可以發現的對於不同影象集，其各類方法的評估結果並不一定相同，每類影象都有其最優的角點檢測方法。

對於基於曲線邊緣的角點檢測方法來說，因為邊緣條件的限制，其不僅定位準確，而其對尺度、旋轉、噪聲變換都有非常好魯棒性，因但為其非常依賴於邊緣提取的結果，所以很難去與其檢測方法評估，其一般是通過由Canny方法提取的邊緣來進行角點檢測，近年來，GCM所能達到效果最優。

二、各類描述子評估

描述子評估主要是評估影象在經過不同變換後，其匹配的正確率，其定義為：

其錯誤率定義：