SITF特征原理描述及其匹配处理（一）

自1977年Moravec提出Moravec角点检测算子，接下来的一段时间内，就有各种改进的角点检测算子，如Harris角点检测算子、Shi-Tomasi角点检测算子，但是这些都是单维度的角点，直到1999年David G.Lowe提出了一种基于尺度空间的，对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子——SIFT（尺度不变特征变换），用多维向量来描述一个特征点，是过去十年中最成功的图像据不描述子之一。

SITF特征原理描述

1.SIFT是什么

SIFT特征提取算法的实质是在不同的尺度空间上查找关键点（特征点），计算关键点的大小、方向、尺度信息，利用这些信息组成关键点对特征点进行描述的问题。SIFT的不变形体现在：尺度、方向、位移和光照。它所查找的关键点都是一些十分突出，不会因光照，仿射便函和噪声等因素而变换的“稳定”特征点，如角点、边缘点、暗区的亮点以及亮区的暗点等。

2.SIFT的流程

2.1构建尺度空间和高斯差分金字塔

SIFT算法在多尺度空间进行特征点的检测和提取，保证了特征具有尺度不变性。尺度空间理论目的的是模拟图像数据的多尺度特征，通过输入的图像和不同的高斯核作卷积得到的二维图像的高斯尺度空间：

其中，是尺度空间因子σ，其大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。*代表卷积，F(x,y)是输入图像，G(x,y,σ)是尺度可变高斯函数：

二维图像的尺度空间图像如下：

2.1 空间极值点初步检测

为了计算尺度空间极值点，需要将尺度空间上的每一个像素点与其3×3邻域的和这一像素点相邻的８个点及上下两层金字塔相对应的9×2共26个相邻点进行一一比较，只有当这个点是这26个点中的最大点或者最小点时，如此可以保证检测到的关键点在尺度空间和二维图像空间上都是局部极值点。

利用上述方法检测出的候选极值点中包含很多低对比度的点和部分 DOG算子产生的边缘响应点，需要进行过滤以精确特征点的位置，提高SIFT算法的抗噪性。于是需要下一步稳定关键点的精确定位。

2.2 稳定关键点的精确定位

在已经检测到的特征点中要去掉低对比度的特征点和不稳定的边缘响应点。

去除对比度低的特征点

去除不稳定的边缘响应点

2.4 稳定关键点方向信息分配

稳定的极值点是在不同尺度空间下提取的，这保证了关键点的尺度不变性。为关键点分配方向信息所要解决的问题是使得关键点对图像角度和旋转具有不变性。方向的分配是通过求每个极值点的梯度来实现的。对于任一关键点，其梯度模值表述为：
至此，图像的关键点以检测完毕，每个关键点有三个信息：位置、所处尺度、方向。由此可以确定一个SIFT特征区域。利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。

按照梯度方向直方图的方式分配关键点的方向：以关键点为中心的领域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。随着距中心点越远的邻域其对直方图的贡献也响应减小。Lowe论文中还提到要使用高斯函数对直方图进行平滑，减少突变的影响。

2.5 关键点描述

在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。直方图的峰值则代表了该特征点处邻域梯度的主方向，将坐标轴旋转为关键点的方向，以确保旋转不变性。通过确定关键点邻域所在尺度空间的16×16像素大小的邻域，再将此邻域均匀地分为4×4个窗口，对每个窗口计算8个方向分量值，根据位置依次排序，得到128维的SIFT 特征向量。将这个向量归一化之后，就进一步去除了光照的影响。

David G.Lowed的实验结果表明：对每个关键点，采用448共128维向量的描述子进项关键点表征，综合效果最佳：

一个4×4的计算出一个直方图，每个直方图有8个方向，4×4×8=128维

在求出4 * 4 * 8的128维特征向量后，此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响。而图像的对比度变化相当于每个像素点乘上一个因子，光照变化是每