注：本学习笔记是自己的理解，如有错误的地方，请大家指正，共同学习进步。
本文学习自CVPR论文《Discriminative Spatial Pyramid》、《Discriminative Spatial Saliency for Image Classification》及《Beyond Bags of Features: Spatial Pyramid Matching
for Recognizing Natural Scene Categories》，在此感谢论文作者。
空间金字塔方法表示图像是传统BOF(Bag Of Features)方法的改进，传统BOF方法提取图像特征时，首先提取每张图像的SIFT特征描述，之后将所有图像的兴趣点的特征描述进行聚类形成BOW视觉词袋，最后对每张图像统计所有视觉关键词出现的频次。因此BOF是在整张图像中计算特征点的分布特征，进而生成全局直方图，所以会丢失图像的空间分布信息，无法对图像进行精确地识别。为了克服BOF的这一缺点，提出了空间金字塔方法，它是在不同分辨率上统计图像特征点分布，从而获取图像的空间信息。 图像被划分为金字塔各水平上的逐渐精细的网格序列，从每个网格中导出特征并组合为一个很大的特征向量。
1、图像尺度空间SIFT中的图像尺度空间可以理解为用高斯对图像做了卷积，图像的分辨率还是那么大，像素还是那么多，只是细节被平均（平滑）掉了，原因就是高斯了，用周围的信号比较弱的像素和中间那个信号比较强的点做平均，平均值当然比最强信号值小了，这就起到了平滑的作用。如下图所示：
