sift 简述理解

尺度不变性
首先假想两张图片进行匹配，然后图A（1280*720），图B（640*480），两张图片都用不同的尺度得到高斯金字塔，继而得到DOG金字塔，然后图A总会进行降采样的时候得到与图B某个降采样得到的图差不多，然后都可以找到相同的特征点。他们总会在某个尺度下得到一定数量的特征，然后超过就匹配，这就是跟图像的尺度没关系了，因为两张图总会得到某个尺度下能匹配到特征。即一张图像可以得到所有尺度下的图片，然后进行寻找特征点，然后另一张图片也是。比如图A经过高斯滤波后有10组不同尺度图，每组3张图片，图B有10组，每组3张图片。然后图A的第一组图片中第一张依次与图B中第一组第一张进行比较，然后第二张第三张，如果没匹配就与第二组第一张进行比较，依次类推。

旋转不变性
因为有一个主方向，把坐标旋转到主方向，这就保证了不管要识别的图片是怎么旋转，如果是相同的特征点，总会旋转相同的角度，即主方向是相同的。

描述子
找到以特征点为中心的4*4区域，每个区域又有一个正方形的区域，这个正方形有n*n个像素，计算其每个像素的梯度幅值和幅角，并根据没个像素对中心特征点的贡献，即距离进行高斯加权。然后把这4*4的区域进行旋转，旋转的角度即为主方向的大小。然后以4*4为底，幅角为高，建立一个三维坐标，幅角的间隔为360/8=45度，这样就相当于8层4*4。接着4*4的每个子区域，比如子区域A，A有8个方向（0，45，90。。。360），然后计算A区域中像素的梯度幅角在0-45度上的幅值之和，接着计算像素的梯度幅角在45-90度方向上的幅值之和，这样A区域的8个方向都有对应的幅值，然后有16个A这样的子区域，每个A的位置是不一样的，所以有16*8=128维，这就是描述子，最后还要归一化。
 

 

 

参考：

https://blog.csdn.net/u014485485/article/details/78681086

https://blog.csdn.net/zddblog/article/details/7521424

https://www.cnblogs.com/shine-lee/p/10037463.html