opencv：介绍 SIFT（尺度不变特征变换）及其使用（一）

在本章中

我们将了解 SIFT 算法的概念 我们将学习如何找到 SIFT 关键点和描述符。 理论 在过去的几章中，我们了解了一些角点检测器，如 Harris 等。它们具有旋转不变性，这意味着即使图像旋转，我们也可以找到相同的角点。这是显而易见的，因为旋转后的图像中的角点仍然是角点。但是缩放呢？如果图像进行缩放，角点可能就不再是角点。例如，观察下面的一个简单图像。一个小窗口内的小图像中的角点在相同窗口内放大时会变得平坦。所以 Harris 角点不具有尺度不变性。

2004年，加拿大英属哥伦比亚大学的D.Lowe提出了一种新的算法——尺度不变特征变换（SIFT），在他的论文《尺度不变关键点的独特图像特征》中，他提取了关键点并计算了其描述符。(这篇论文通俗易懂，被认为是关于SIFT的最佳资料。这里的解释仅是对该论文的简短总结)。

SIFT算法主要包括四个步骤，我们将逐一介绍。

1. 尺度空间极值检测

在处理图像时，我们不能使用相同大小的窗口来检测具有不同尺度的关键点。对于较小的角点，这样做可能没问题。但要检测更大的角点，我们需要更大的窗口。为了解决这个问题，SIFT引入了尺度空间滤波。在这个过程中，SIFT会根据不同的σ值计算图像的高斯拉普拉斯算子（LoG）。LoG可以作为一个斑点检测器，它能够根据σ的变化检测到不同大小的斑点。简而言之，σ就像一个缩放参数。例如，在上面提到的图像中，低σ值的高斯核会给较小的角点赋予较高的值&