图像处理（11）--SIFT尺度不变特征变换

图像处理系列笔记： https://blog.csdn.net/qq_33208851/article/details/95335809

---

1. SIFT简介

SIFTS(cale-invariant feature transform)尺度不变特征变换：一种用来侦测与描述影像中的局部性特征的算法，它在空间尺度中寻找极值点。

1.1 空间尺度的极值点

• 什么是空间尺度的极值点（个人理解）：在一张二维的MxN的平面图象中，每个像素点都有灰度值（0-255），这样就组成了一个三维空间。根据数学上极值点的定义类推，图像上某极值点的定义可描述为：
  
  
  注：由于图像是一个一个像素的表示的，故坐标的取值都是离散的整数（上图是连续的变量）

如何辨识物体： 根据图像的某些特征。

1.2 SIFT算法的特点

• SIFT算法能够提取图像的某些局部特征，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（也就是说，能够有效辨别在不同的场景下的某物体）
• 独特性（Distinctiveness） 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的SIFT特征向量
• 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求
• 扩展性，可以很方便的与其他形式的特征向量进行联合

根据它的这些特点，能够在目标做了旋转、平移、缩放、仿射投影后，或者在不同的光照条件，有遮挡、障碍物等场景下有效辨别

1.3 SIFT算法描述

SIFT算法分为四个步骤：

1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。

2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。

3. 方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。

4. 关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化

SIFT涉及到使用高斯函数进行模糊，高斯模糊可见：图像处理（7）–高斯模糊原理 或在参考文章里有详细介绍，链接在本文末尾

在后文中详细介绍四个步骤如进行

2. 尺度空间极值检测

3. 关键点定位

4. 方向确定

5. 关键点描述

参考文章：https://baike.baidu.com/item/SIFT
https://blog.csdn.net/zddblog/article/details/7521424

图像处理系列笔记： https://blog.csdn.net/qq_33208851/article/details/95335809