刘宏娟 SIFT 算法小结 David.Lowe，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），简称SIFT 算法。 ①SIFT 主要思想 SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。 ②SIFT算法的主要特点： a) SIFT特征是图像的局部特征，其对平移、旋转、尺度缩放、亮度变化保持不变性，对对光照变化、视角变化、仿射变换、噪声也保持一定程度的稳定性。具有较强的鲁棒性。 b) 独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配，在特征匹配时可以以一个很高的概率正确匹配。 c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量，这对于目标识别非常重要。 d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。 ③SIFT 算法步骤： 1）检测尺度空间极值点 2）精确定位极值点，得到关键点，并确定关键点的位置和所处的尺度 3）为每个关键点指定方向参数（使用极值点邻域梯度的主方向作为该关键点的方向特征，以实现算子对尺度和方向的无关性） 4）关键点描述子的生成 利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配。 ④SIFT 算法的原理 ▲尺度空间的生成 尺度空间理论目的是模拟图像数据的多尺度特征。（为了使特征具有尺度不变性，特征点的检测是在多尺度空间完）成的。尺度空间理论最早出现于计算机视觉领域时，其目的是模拟图像数据的多尺度特征。 高斯卷积核是实现尺度变换的唯一变换核，并且是唯一的线性核。所以一幅二维图像的尺度空间定义为： ),(),,(),,(yxIyxGyxL 其中 ),,(yxG是尺度可变高斯函数， 2)(22/21),,(22yxeyxG （x，y）是空间坐标，符号*表示卷积,（x，y）代表图像的像素位置， 是尺度空间因子，值越小表示图像被平滑的越少，相应的尺度也就越小。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。 刘宏娟 为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间（DOG scale-space）。利用不同尺度的高斯差分核与图像卷积生成。 ),,(),,(),()),,(),,((),,(yx...
