我对SIFT的一点点了解

说来惭愧，每次不管看什么算法，都不能彻底搞明白。这两天心血来潮看起了SIFT，主要通过看各位的博文来学习，大致有了自己的一点点了解，因为还有其他事情也没有时间一直看下去了，就暂且总结一下自己的浅薄了解吧。

1.什么是SIFT算法：

SIFT检测算是目前应用最广泛的兴趣点特征检测方法，该检测算法所得到的特征点不仅在位置上能够稳定识别，而且具有尺度不变性和旋转不变性。

SIFT算法由D.G.Lowe 1999年提出，2004年完善总结。后来Y.Ke将其描述子部分用PCA代替直方图的方式，对其进行改进。

 　　•SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量

　　•SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

　　•独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。

　　•多量性，即使少数的几个物体也可以产生大量SIFT特征向量。

　　•可扩展性，可以很方便的与其他形式的特征向量进行联合。

2.SIFT算法的主要步骤是：

1)、构建差分高斯金字塔

用Laplacian of Gaussian能够很好地找到找到图像中的兴趣点，其产生的极大值和极小值点是一种非常稳定的特征点（与梯度特征、Hessian特征和Harris角点相比）但是需要大量的计算量，所以这里使用Difference of Gaussian图像的极大极小值近似寻找特征点.DOG算子计算简单，是尺度归一化的LoG算子的近似

 2)、从差分高斯金字塔中寻找这些潜在特征点；具体方法是比较当前特征点的灰度值和其他26个点的灰度值的大小，这26个点包括：当前尺度下该点的8邻域以及前一尺度和后一尺度下与该点最近的9个点（9*2+8=26）　　

3)、精确确定特征点的位置，去除对比度低的点和边缘点。
4)、确定特征点方向：局部梯度直方图　

5)、生成图像局部描述符：一般128维。

3.SIFT的发展

SIFT(Scale-invariant feature transform), Lowe, 2004

PCA-SIFT(Principle Component Analysis), Y.ke, 2004

SURF(Speeded Up Robust Features), Bay, 2006

 这三位先后登场各有千秋，算是图像特征点检测领域的宋氏三姐妹了！SIFT鼻祖先宗大佬，PCA-SIFT将SIFT中直方图方法换作主元分析法，SURF取出integral/Hessian两样法宝实现加速，也更易于并行。

4.参考博文

个人认为要想深刻理解SIFT，只需参考以下几篇博文即可。

http://blog.csdn.net/honpey/article/details/8639617#comments  SIFT解析（一）建立高斯金字塔

http://blog.csdn.net/honpey/article/details/8639634       SIFT解析（二）特征点位置确定

http://blog.csdn.net/honpey/article/details/8639643   SIFT解析（三）生成特征描述子

认真阅读上面三篇博文，必受益匪浅

http://blog.csdn.net/abcjennifer/article/details/7639681   SIFT特征提取分析

与上面的三篇博文，并驾齐驱。

http://blog.csdn.net/ijuliet/article/details/4640624    

谈谈SIFT、PCA-SIFT、SURF及我的一点思考

对SIFT的发展可以有一些了解

5.实现源代码

另外，我在CSDN的资源中上传了编译通过sift代码。

其中一个是C++版本，利用opencv接口实现

另外一个版本是利用opencv的源代码，自己写了一个接口，欢迎大家下载学习交流。