CSCI 512 Lecture-12 SIFT

SIFT算法为解决在图像大小改变，发生旋转后的特征点匹配问题。
主要方法如下：

1. 创建不同尺度的图像，组成图像的尺度空间。
   利用不同的$\sigma$值得高斯函数创建逐步高斯模糊的图像集合。
   对在同一尺度内的相邻图像间求差，得到差分高斯金字塔。（差分高斯函数DoG是对拉普拉斯高斯函数LoG的很好的近似）。
   
2. 在尺度空间中找到局部极值值，这去除了尺度的不确定性。从极值中选择关键点。
3. 对每个关键点，在16*16的窗口中找到梯度方向的直方图。
4. 建立特征向量。

LoG滤波器得到的极值定位了图像中的“斑点”，“斑点”的大小取决于LoG滤波器的$\sigma$大小，拥有与$\sigma$值相近大小的斑点会有最好的响应。
利用二次曲面拟合来得到最精确的最大值位置。

在关键点的某一个大小的邻域内计算梯度方向，统计后组成直方图，选择最主要的方向作为该关键点的主导方向。这样，我们就获得了某一个关键点的坐标，尺度以及方向信息。
利用DoG的峰值和主曲率的比率作为阈值来保留最稳定的关键点。
对某一个关键点，用关键点尺度空间内4$\times$4的窗口中计算的8个方向的梯度信息，共4$\times4$$\times$8=128维向量表征。