对SIFT算法的理解，尤其是尺度不变性

SIFT算法四大块

1，尺度空间的建立，最难理解的部分，这一步是为了找到极值点的潜在位置

2，极值点精确定位，通过曲线拟合找到极值点的确切位置

3，分配主方向，为特征点赋予一个方向标志，固定生成描述子所用到的领域信息

4，生成描述子，用特征点周围的像素的梯度刻画这个描述子，用梯度描述是可以增强鲁棒性的

匹配的时候，同一个特征点得到的描述子相差无几，因为它们是由特征点周围相同的图像信息得到的。

SIFT invariant to scale and rotation， robustness to
1. affine(rotation scale shear) distortion
2. change in 3D viewpoint
3. addition of noise
4. change in illumination

优点：
Locality：特征点是局部的，可以对抗遮挡和背景干扰（occlusion and clutter）
Distinctiveness：单个特征可以匹配一个数据集
Quantity：小物体也能产生大量特征点

怎样做到尺度不变性

SIFT的全称是Scale-Invariant Feature Transform，这就表示尺度不变性是这个算法最精髓的地方。怎样理解尺度和尺度不变性呢？

什么是尺度，很多人会从视觉的角度去理解，这是一种直观的理解方式，可以帮助我们理解，但是怎样才能做到这种视觉效应呢，上世纪八九十年代很多学者做了了不起的研究。图像的边缘点是我们感兴趣的点，边缘检测的方法有很多，当我们用Canny，LoG检测边缘点时候，sigma值代表着什么，当我们用不同的sigma得到很多边缘图像，这些边缘图像之间又有什么联系?Marr和Hildreth在1980年提出Spatial Coincidence assumption：在不同的scale下都能检测到的过零点具有物理意义。1983年，Wiktin将所有Guassian scale都作用到信号上，提出尺度空间的概念，观察过零点和尺度空间的关系，以一维信号为例：

可以看出，scale变大的时候信号越来越平滑，最后过零点消失，更进一步，过零点的轮廓在底部张开，慢慢合并并消失，呈现一个拱形。

将过零点图画成Interval Tree再进一步分析（横坐标是Interval）：

Parent结点的Interval更大，off springs的Interval更小，从上往下是不断分裂的，结点存在的scale范围可以看作这个结点的稳定性，描述这个过零点的时候：如果一个结点比它的上下两个结点都不稳定，就要从Interval Tree上去掉。

下面直观的看一系列不同scale的LoG作用在图像上一个角点会出现什么情况：