SIFT算法详解

引言

 SIFT算法是为了解决图片的匹配问题，想要从图像中提取一种对图像的大小和旋转变化保持鲁棒的特征，从而实现匹配。这一算法的灵感也十分的直观：人眼观测两张图片是否匹配时会注意到其中的典型区域（特征点部分），如果我们能够实现这一特征点区域提取过程，再对所提取到的区域进行描述就可以实现特征匹配了。于是问题就演变成了以下几个子问题：

1. 应该选取什么样的点作为特征点呢？：人眼对图像中的高频区域更加的敏感，由此我们应该选择变化剧烈的边缘或者角点进行检测，这里我们选择检测角点。（这里的intuition不是很明白，但感觉来说可能是我们提取的是特征点进行匹配，而边缘往往是由多个点组成。）

2. 怎样使得选取的特征点有尺度不变性呢？：使用高斯金字塔获取不同尺寸下的图像变体，由这些变体获得尺度不变特征。

3. 怎样使得选取的特征点有缩放不变性呢？：使用高斯金字塔获取不同尺寸下的图像变体，每个变体里都提取特征点再缩放回原大小以获得图像不同尺寸下的特征点。

4. 怎样使得选取的特征点有旋转不变性呢？：后续采取将特征点区域旋转到主方向的设定以获得旋转不变性。

5. 如何描述特征点区域呢？： 使用特征点区域内每个方向的梯度赋值，类似HOG算子。

以上几个问题在SIFT算法里都用了很有意思的trick，后续会一一介绍。

一、高斯金字塔

二、高斯差分金字塔

三、特征点处理

3. 二阶泰勒修正

4.低对比度去除

 目的和之间的阈值化类似，同样是去除掉没那么剧烈变化的特征点。要求：

5.边缘效应去除

 引言中提过我们想要提取的特征点为角点而非边缘，而前述一系列措施只能保证取到灰度值变换剧烈的点，而边缘点同样符合这一特征，因此我们将通过以下方式去除边缘点。

四、特征点描述子

参考：

SIFT原理部分：

SIFT算法详解

SIFT算法原理详解

SIFT算法

SIFT(尺度不变特征变换)

LOG和DOG关系部分：

LOG算子

黑森矩阵意义部分：

Hessian矩阵以及在图像中的应用

Hessian 矩阵的特征值有什么含义？

Hessian矩阵与多元函数极值

Hessian矩阵（黑塞矩阵）

为何矩阵特征值乘积等于矩阵行列式值？

高斯相乘部分：

两个高斯函数的卷积仍为一高斯函数

————————————————

版权声明：本文为CSDN博主「夜半罟霖」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/Dr_maker/article/details/121442210