SIFT的尺缩不变和旋转不变

SIFT

笔记，可能不适合初学者

1. 图片金字塔：图片下采样构成，图片之间分辨率不同，相邻之间长宽均相差1/2。
2. 高斯模糊：对于图片金字塔中的每一张图片进行不同标准差的高斯核卷积；根据高斯核的标准差区分同一组图片的分辨率，完成对分辨率的细分（可以认为越模糊（高斯核标准差$\sigma$越大），物体越近，尺寸越大 ）。
3. 高斯差分：对通过高斯卷积的之后的金字塔中的图片进行高斯差分，以便下一步，极值的求解。
4. 求极值点：对于高斯差分之后的图片，在图片金字塔每个分辨率下，获得的高斯差分的结果（结果为3个差分图），根据差分图中分析极值所在位置，具体分析方式为：中间差分图的一个像素与立体邻域的像素进行比较，如果该像素的灰度值是最大值或者最小值，则将该像素记录为极值点。
5. 极值的优化：主要是去除不稳定的极值点，主要根据两个准则删除，一是，删除低对比度的极值点，二是，删除不稳定的边缘点。
6. 优化后的极值点（特征点）的主方向：得到特征点后，可以获得该特征点的所在的尺度图像（也就是在金字塔的哪一层），然后计算$3\ast 1.5\sigma$半径范围内的像素的幅度值和角度值，并且在完成对于梯度方向的直方图的统计；该直方图的统计方式为：以角度值为横轴，以幅度值为纵轴，统计时将相同的角度值（或者某一范围内的角度值）对应的幅度值进行累加，作为纵轴，直方图的峰值对应的角度就是优化后特征点的主方向。
7. 特征描述符的生成：得到主方向后的特征点具有的信息包括$(x,y,\sigma ,\theta )$，即位置、所在尺度、和主方向的角度。对于一个特征点，知道其主方向，根据主方向对图片进行旋转，旋转完成后，以该特征点为中心，1616的大小圈出一块区域，计算该区域内每44个像素代表的区域的梯度方向的直方图（注意此处的直方图横轴的分辨率为45度，所以每块区域都有一个维度为8的向量进行描述），而整个窗口中共16个44的区域，所以整个特征点由一个168=128维的向量进行描述，该向量就是特征描述符。该特征描述符将旋转特性、特征点周边像素的性质考虑其中。

综上，SIFT算子的计算过程中将尺度（主要体现在图片金字塔、不同程度的高斯模糊）、旋转（主要体现在特征描述符的获取过程，有一个根据特征点的主方向旋转的过程）考虑其中，因此具有尺缩不变和旋转不变的特性。