关于SIFT-尺度构建

1.SIFT:尺度不变特征变换

2.优点：检测到的特征是局部的，特征对图像平移旋转能够保持不变，对亮度变化具有鲁棒性，对噪声和视角微小变换也能保持一定稳定性。

3.SIFT可分为四个阶段

阶段1：尺度空间的极值检测：

1.像人眼一样，越远越模糊，越近越清楚。方法是利用高斯函数进行逐步模糊处理，从而产生尺度变换的假象。

2.二维高斯卷积函数为

其中就是尺度空间因子，他决定这图像模糊平滑程度。大尺度下大，对应低分辨率。应用时由一个小尺度图像转换到大尺度图像（g与图像卷积），。

SIFT在使用时，使用了DOG（高斯差分）构建了尺度空间

即：

即增加尺度空间到原来的k倍进行分别高斯卷积模糊，最后相减，表示尺度变换。

构建高斯金字塔

 

//******************************************************************************************************************************

如图，这个高斯金字塔有5组（octave），每个Octave内又包含若干层。所以我们定义第一个参数  ，O 表示高斯金字塔的组数。  σ 我们称为尺度参数，第一组第一层的尺度参数为 σ ，且Lowe认为最优的 σ=1.6   且组间尺度关系倍数为2，表示下一组图像是由上一组图像按照隔点降采样得到的，即图像的长宽分别减半。如第二组的尺度参数是第一组尺度参数的俩倍）。但组内尺度参数是不同的，且有比例关系 ，这个关系适用于高斯金字塔的所有层。 k 称为比例系数，作者给出  ,lown建议s=3，金字塔每个Octave为S=s+3，即一般为6。

在同一组内，不同层图像的尺寸是一样的，后一层图像的高斯平滑因子σ是前一层图像平滑因子的k倍；

在不同组内，后一组第一个图像是前一组倒数第三个图像的二分之一采样，图像大小是前一组的一半；

为了保证尺度变化的连续性，第2组第1层的尺度等于第1组倒数第3层的尺度

lown建议创建尺度空间前首先将图像长宽扩大为已被，这就形成了金字塔-1组

原文：https://blog.csdn.net/shiyongraow/article/details/78238764 
*****************************************************************************************************************************//
、http://www.cnblogs.com/sonicmlj/p/7648068.html