SIFT特征

参考文献：

https://www.cnblogs.com/jsxyhelu/p/7591497.html

1.SIFT概述

SIFT的全称是Scale Invariant Feature Transform，是一种具有尺度不变性和光照不变性的特征描述子，也同时是一套特征提取的理论，首次由D. G. Lowe于2004年以《Distinctive Image Features from Scale-Invariant Keypoints[J]》发表于IJCV中。开源算法库OpenCV中进行了实现、扩展和使用。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

依据原始论文，SIFT算法流程分为4个部分：

1、DoG尺度空间构造（Scale-space extrema detection）

2、关键点搜索与定位（Keypoint localization）

3、方向赋值（Orientation assignment）

4、关键点描述（Keypoint descriptor）

此外再添加第5个部分，用于说明一些需要特殊说明的重要内容。类似游戏攻略的主线和分线。

2.1"尺度"简介

图像处理中的"尺度"可以理解为图像的模糊程度，类似眼睛近视的度数。尺度越大细节越少，SIFT特征希望提取所有尺度上的信息，也就是无论图像是否经过放大缩小都能够提取特征。这种思考，是和人的生理特征类似的，比如我们即使是在模糊的情况下仍然能够识别物体的种类，生理上人体对物体的识别和分类和其尺度（模糊程度）没有直接关系。

高斯函数在图像处理中得到了广泛的运用，源于其本身具有的优良特性（高斯函数的优良特性放在6.1节）；在图像处理中对图像构建尺度空间的方法,是使用不同sigma值的高斯核对图像进行卷积操作(注意，sigma就是“尺度”）。

是高斯核，其数学表述为：

整个高斯卷积表示为：

其中是原图像，*是卷积符号，对应尺度下的尺度图像，这里简单了解一下，我们看一下在OpenCV中实现不同sigma的高斯卷积的代码和结果

Mat matSrc = imread("e:/template/lena.jpg");
    pyrDown(matSrc,matSrc);
    imshow("原始图",matSrc);
    Mat matDst;
    GaussianBlur(matSrc,matDst,Size(0,0),1);
    imshow("sigma是1",matDst);
    GaussianBlur(matSrc,matDst,Size(0,0),3);
    imshow("sigma是3",matDst);
    GaussianBlur(matSrc,matDst,Size(0,0),5);
    imshow("sigma是5",matDst);

其中左上角为原图，右上角为sigma=1尺度下的图像，下行左右分别是sigma=3,sigma=5的图像，尺度越大，图像越模糊，这是直观印象。但是即使sigma=5，你也能够勉强认出这是一个人像；如果你的头脑中有lena这个模型，见过lena的图片，你就能够很快识别出这是lena的图片变模糊的结果。这就是基本上一个人脑的识别流程。“尺度”就是这些。 

图像金字塔也是图像处理中的常用的概念，一般通过对原始图像逐步进行下（降）采样（每隔2个像素抽取一个像素）得到x和y都为原始图像1/2的缩小图像。

对于二维图像，一个传统的金字塔中，每一层图像由上一层分辨率的长、宽各一半，也就是四分之一的像素组成；注意金字塔上一个上小下大的东西，它的层数是由下向上来数的，底层叫做第0层，然后往上依次为1、2、3层。

2.3“高斯金字塔”

现在我们已经知道，金字塔就能够用来解决大小的变化；而不同尺度的gauss核用来解决模糊程度的变化。聪明的计算机工程师想到把这两者结合起来。

因为有高斯和金字塔嘛，直来直往的就叫做“高斯金字塔”吧。它的模型应该是看上去这样的：大体看上去是一个金字塔，但是每层都是“复合”结构，是有若干张不同尺度的处理结果叠加起来的。

二、关键点搜索与定位（Keypoint localization）

2.1初略寻找

像“扫雷”游戏一样，除了边缘点外，每个点有8个相联的位置（最多有8个地雷）；那么在已经建立起来的DoG空间中，除了边缘的点，每个点有9*3-1 = 26 个领域。在这个26个领域里面寻找最大最小的点，认为可能是关键点。如下图标注的点要和周围26个绿色的点比较。