图像检索服务器编写问题记录——SIFT尺度不变特征变换匹配算法学习

SIFT解决的问题及其思路

SIFT之前更加传统的匹配图像的方法是使用颜色、灰度等全局特征来描述整张图像，进而用这些全局特征去匹配图像。这样拍摄的光照、角度等因素对图像匹配的影响巨大。

• 解决的问题：

1.图像匹配时，两张相同图像，因为拍摄远近、模糊不同，导致匹配不出来。

2.图像匹配时，两张相同图像，因为拍摄角度、方向不同，导致匹配不出来。

3.图像匹配时，两张相同图像，因为拍摄光照条件不同，导致匹配不出来。

• 解决问题的思路：

1.使用图像的局部特征来描述整张图像，降低图像颜色光照等对匹配的影响——部分解决问题3

2.使用具有尺度不变性的局部特征来描述图像——解决问题1

3.使用具有旋转不变性的局部特征来描述图像——解决问题2

SIFT尺度不变特征变换匹配算法

• 尺度不变

1.尺度的概念及重要性

【概念】：可以简单理解为尺度越大，图像分辨率越低，特征提取时抠的细节越少；尺度越小，图像分辨率越高，抠的细节越多。例子：（我们用枝叶细节这些局部特征来描述一棵树），我们站得远，观察的时候比较模糊，尺度比较大，能看到的枝叶细节少；我们站得近，看的比较清晰，观察的时候尺度小，能看到的枝叶细节多。

【尺度的重要性】：尺度过小，细节抠的过于细致；尺度过大，细节抠的过于少。以上面树的例子就是。我们用一棵杉树去匹配所有树。如果尺度过小，那么杉树的局部细节只能匹配出杉树这个树种，而匹配不出同为树的松树。如果尺度过大，那么杉树的局部细节提的比较少，那么在匹配树的过程中，可能就把木棍也匹配出来了。

2.尺度不变性