SIFT算法描述

本博文下载地址：http://pan.baidu.com/s/1geTrV5D

SIFT特征提取算法流程：

1、 输入图像

2、 多尺度空间极值点检测

3、 关键点的精确定位

4、 关键点的主方向计算

6、 特征向量

2、多尺度空间极值点检测

尺度空间：目的是检测在尺度变化时仍然稳定的特征；

图像I(x,y)的尺度空间定义：L(x,y,σ)=G(x,y,σ)*I(x,y)

尺度参数σ，当σ 连续变化，G（x,y,σ）构成图像的尺度空间。

高斯差分尺度空间：为了在尺度空间中检测稳定的关键点，构造高斯差分尺度空间

D(x,y,σ)=[ G(x,y,kσ) - G(x,y,σ) ]* I(x,y) = L(x,y,kσ)- L(x,y,σ)

几个理由：

1） 计算效率高：高斯卷积，减法

2） 高斯差分是对尺度归一化LoG的一个很好的近似, 而尺度归一化的LoG空间具有真正的尺度不变性。

3） 实验比较表明，从尺度归一化LoG空间中提取的图像特征的尺度稳定性最好，优于梯度、Hessian或Harris角点函数。DoG算子是尺度归一化的LoG算子的近似，因此计算比较简单。

（2）将每一组尺度空间中的相邻高斯尺度函数相减，生成高斯差分金字塔：建立成了3维尺度空间形式。

（3）极值点检测：在三维尺度空间中，搜索每个点的26邻域，若该点为局部极值点则保存为候选关键点。