SIFT尺度不变特征变换

SIFT是一种图像局部描述子，

它的优点：①具有非常强的稳健性。

②对尺度、旋转、亮度都具有不变性。

③可用于三维视角和噪声的可靠匹配。

SIFT的组成：兴趣点检测+描述子 （可看做豪华版的harris+描述子）

SIFT的三步骤：

A. 关键位置定位找到“兴趣点”

B.特征提取，用以描述“兴趣点”

C.模型和图像中的特征向量匹配

B.描述子：（是对图像区域内容的一种简洁的表达形式）：为了实现旋转不变性，SIFT描述子引入参考方向（用主方向描述），而主方向又使用直方图来描述。

描述子：是一个可靠的特征向量，可以用来描述兴趣点的领域特性。

创造描述子需要考虑：局部的边缘方向和局部的边缘强度。

寻找描述子的步骤：①在每个像素点附近选取子区域网格

              ②在每个子区域内计算图像梯度的方向直方图

              ③每个子区域的直方图拼接起来组成描述子向量

一般子区域网格选取为4x4大小，每个子区域内有8个方向直方图，则描述子向量一共有4x4x8=128维向量。

将128维特征向量①标准化可以去掉对比度变化的影响②值非常大的元素忽略掉，将剩下的向量重新标准化，用以去掉光照的影响。

C.特征向量匹配：

经历过寻找兴趣点以及创建描述子后，图像由一系列128维向量组成。为了寻找到特定的部分，使用同样由128维向量组成的测试图片。

对于每一个测试向量，都可以在样本集中寻找到它的最近邻。但是最近邻计算量太大，因此找到更优的算法—KD树。

K-D树改进算法：任何假定的匹配都给定了模型一个候选的位置、尺度和方向。

使用类霍夫的投票机制对候选位置进行确认。每个匹配提供一个模型点（x，y）和（u，v）。因为在许多真实的环境下，认为图像给出一个大致的仿射变化模型是合理的，因此：

补充：

HOG（histogram of Oriented Gradients）方向梯度直方图：

是由一系列用空间增益区域计算而来的标准化直方图所构成，结果将得到一个能对粗的空间结构进行捕捉的描述子。

（但是该描述子对较小的局部形变具有不变性。）