CV领域描述子2:SIFT

特征的可重复性：同一场景的不同图像所提取的特征应该是相同的

SIFT：

将一幅图像映射（变换）为一个局部特征向量集

特征向量具有平移，缩放，旋转不变性，同时对光照变化，仿射及投影变换也有一定不变性

实质：在不同尺度空间上查找特征点 (关键点)的问题。

步骤：特征点检测（构建尺度空间，特征点定位，特征点主方向确定），特征描述，特征匹配

主要思想是通过对原始图像进行 尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行 尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、 角点检测和不同分辨率上的特征提取。

尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标 由近到远时目标在视网膜上的形成过程

构建高斯金字塔：对图像做高斯平滑，降采样

为了让尺度体现其 连续性，在简单下 采样的基础上加上 了高斯滤波

一个图像的尺度空间 L(x,y,σ) ,定义为原始图像 I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算

高斯核是唯一可以产生多尺度空间的线性核，高斯卷积只是表现尺度空间的一种形式

高斯平滑：在减小图像尺寸的场合经常使用高斯模糊。在进行欠采样的时，通常在 采样之前对图像进行低通滤波处理。这样就可以保证在采样图像中不会出 现虚假的高频信息

上一组图像的底 层是由前一组图 像的倒数第二层 图像隔点采样生 成的。这样可以保持尺 度的连续性。

高斯（差分）金字塔 DOG，DOG图像描绘的是目标的轮廓。

可以通过高斯差分图像看出图像上的像素值变化情况。 特征是变化尽可能多的点。如果没有变化，也就没有特征。

特征点定位：关键点是由DOG空间的局部 极值点组成的

中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的 9×2个点共26个点比较，以确保在尺度空间和二维图像空间都 检测到极值点。

特征点精确定位：一个特征点是在三维尺度空间𝐷(𝑥, 𝑦, 𝜎)的局部极值点。但(𝑥, 𝑦)为整数像 素，𝜎为离散尺度，需要对DoG空间拟合进行特征点精确定位

利用Taylor展开式

去除不稳定特征点，包括对比度低的点、边缘点

尺度不变性:尺度空间求极值点 方向不变性:利用特征点邻域像素的梯度方向分布特性，指定主方向

梯度直方图，特征点主方向，辅方向确定

每个关键点有三个信息:位置、尺度、 方向，同时也就使关键点具备平移、缩放、和旋转不变性

特征描述：用一组向量将特征点描述出来

描述子不但包括特征点，也包括特征点周围对其有贡献的像素点。使特征点具有更多的不变特性

通过对特征点周围图像区域分块，计算块内梯度直方图，生成具有独 特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性

步骤：确定窗口，将坐标移至关键点主方向，计算区域内每个像素点梯度幅值(高斯平滑)和方向，将窗口划分为4 × 4个子区域，计算每个子区域梯度幅值直方图，得到一个向量构成描述子

特征匹配：可以在特征空间通过特征描述子之间的距离判断匹配程度

实时性不高，有时特征点较少，对边缘模糊的目标无法准确提取特征点