SIFT尺度不变特征转换（二）

前言：本文着眼于记录自己从普通CVer入门三维重建的学习过程，可能过程比较坎坷，都在摸索阶段，但争取每次学习都能进一步，提高自己的能力，同时，每篇文章都会按情况相应地推出B站讲解视频，可以关注up 出门吃三碗饭 观看讲解视频，文章同步更新到公众号 AI知识物语 ，大家可以关注下助助力。另外本平台的评论私信不会看，有问题可以移步B站视频评论区or私信。

最后感谢相关博主，开源社区，github等对内容的贡献，也希望各位读者在读完后能有自己的收获，并且写文章分享自己的心得，希望这个社区越做越好。

本文区别于其他博客文章，力求在不引入过度复杂数学知识的条件下介绍这个重要的SIFT算法，放心食用。

（一）SIFT尺度不变特征转换

优点：相比上一小节的角点检测算法，Harris，SIFT具有角度和尺度不变性，不论图像平移or旋转or缩放or亮度、噪声对特征点检测没影响，并且计算更快、准 。理解好SIFT算法原理对三维重建工程的实现具有重大作用。

算法流程：

尺度空间检测——>关键点定位——>特征方向幅值——>关键点描述

尺度空间检测：

引入概念：

尺度空间：

一张图像x，y轴，是二维的，把多张图像沿y轴叠加起来，构成三维空间，并沿z轴，使用不同的sigma值的高斯滤波核对图像依次进行滤波处理。通过上述得到的空间叫尺度空间，是三维的。

图像金字塔：

对图像进行下采样，也就是图像尺寸的依次递减（可以设为减半）

高斯图像金字塔：

对图像金字塔的每层图像依次进行不同程度的高斯滤波。

高斯差分尺度空间：对每一层图片差分，保留原始图像的细节

现在观察左下角的小图，
左图（底部绿色顶部蓝色）的图叫高斯模型，右图是高斯差分尺度空间
高斯模型这里有6张不同尺度的图像，依次差分，可以得到右边含有5层特征图的高斯差分空间。

**额外解释下(可跳过)

（1）上图的阶数表示有3给Octave，这个可以由个人自己定，阶数越多计算量越大
（2）有效差分为3，为什么不为5？ 因为右边的高斯差分尺度空间里面，只有中间三层是有上下两层的，通俗说就是其周围特征信息丰富，而顶部和底部层只有一层相邻，周围特征信息少，若用来计算，误差会增大，故舍弃顶层和底层。在后面求极值点的时候更好理解。
（3）为什么每阶层数N=S+3， 代入到图里数数就可以，S=3（红色的层数），左边数下有6层。
另外我们还可以推出来， 高斯差分尺度空间的层数=N-1=S+2

现在已知包含输入图像特征图的空间，我们需要提取其特征就要先找到图像特征图的极值点！

为了寻找图片的特征点，在不同尺度空间的极值，因为其通常在图片的焦点灰度突变的地方。因此我们选择对 高斯差分尺度空间 进行插分，得到右边的上图。
假设我们选取的区域大小为33，同时在该层的相邻两层也同取33空间，现在依次取 中间层上的点（红点），与周围26个点（333-1）进行比较，如果红点的值匹配出来是最小的or最大的，我们可以把其当作特征极值点。

关键点定位：

上图，因为图片的坐标是离散（非连续），通过**“曲面拟合”**的方法，在曲线上求值，可以得到更精确的点。
现在，我们获得的关键点是在不同的尺度空间中获得，这些关键点具有尺度不变性，如何具有空间不变性？

特征方向赋值：

步骤：

关键点梯度求解——>利用关键点邻域所有点的梯度方向，当做极值点的方向
在某一点X方向的变化，是此点上一个X值减去下一个X值，
Y也是 上一个Y减去下一个Y
幅值公式为G（x，y）
θ是最后求得的方向信息

左图的箭头方向是各个梯度方向，其箭头越长表示其代表的方向幅值越大。
拿起作为窗口，统计窗口内这些梯度方向他赋值的累计值。 方向累计值最高的方向，可以作为该特征点的主方向。有时候也会把第二高的方向等作为辅方向。

关键点描述：

步骤：对关键点周围像素进行方向统计，高斯加权，生成关键点

图片里讲得很清楚了，我就复述一下：用128维向量描述特征点， 特征点的描述子， 选取特征点周围88的像素，进行方向梯度的统计，高斯加权，每44窗口生成8个方向，这样就生成了448的向量作为特征点的数学描述。
SIFT 生成4 * 4 * 8共128维向量作为特征点的描述子，最后通过描述子的欧式距离来进行特征点的匹配.

SIFT检测结果

本文的代码会在后面的文章中放出（暂时未分析好）

1参考视频，这个老师讲得比较易懂（无数学推导）
2想从数学层面更好了解，可以参考这张，写得挺好，我还一部分数学没推导出，就不班门弄斧了。