sift算法详解

Sift尺度不变特征变换匹配算法
Scale Invariant Feature Transform
主要的思路就是使用高斯金字塔和高斯核滤波查分来提取局部特征。在尺度空间当中寻找极值点，提取位置、尺度和旋转不变量。

Sigema代表高斯分布的方差，尺度空间可以定义为原始图像I（x，y）与一个可变吃段高斯函数G(x,y,sigema), 。
Sigema，sigema是高斯金字塔的尺度参数，sigema越小，图像被平滑越小，相应的尺度就越小。当sigema连续变化，G(x,y,z)就生成了图像的尺度空间。


先介绍一下尺度空间理论:
用来模拟图像数据的多尺度特征，高斯卷积核是实现初读变化的唯一线性核：

高斯金字塔就是为了得到不同空间下的稳定关键点，将图像和不同的尺度因子的高斯核进行卷积操作，
假设有o组，每一个组都有s层，通过一定的知识，可以的得到，组内尺度和组件尺度归结为：

第一步
将原图分离模糊成告诉金字塔模型，实际上就是使用高斯模糊将特征提取出来，

模板大小为m*n的模板元素(x,y),对整个图像进行滑移，在滑移之前，要注意边界的影响。
Sigema取值的不同，会导致不同的边缘处理效果。
使用不同的系数k的sigema，会生成一系列高斯特征：

如上图所示，想生成一阶的图，同一阶的图的sigema相同，但是k不同，然后使用个点取样的方法，生成第二阶的图形，继续使用不同倍数的sigema来对图形进行遍历，得到第二届高斯图。

为了有效的在尺度空间当中检测到关