SIFT算法流程介绍

一，关键点定位

直观上来说，关键点的定位是SIFT算法的核心部分，正是因为这一步的存在，才有了后面的操作。注意，这里只讲算法的大致流程。

DoG（Difference of Gaussian,高斯差分图）的构造

对同一张图片，选取不同的高斯核（也就是标准差不同），就产生了一个图像簇，使用这些图像簇互相做减法，就得到了DoG。再对原图进行下采样，重复上面的操作，就得到了多尺度DoG。多尺度的目的是为了模拟人眼远近看到的图片大小不同。通过这种方法达到了尺度不变性

就如上图一样，图片来自这里。具体的细节，也可以参考这篇文章，写得真的很好。

选取极值点（关键点）

选取极值点是在DoG图片中选取的，具体的做法就是和周围的像素相比较，选择一个最大的数来代替现在位置的数。

就比如上面的那张图片一样，中间的像素要和周围的333-1 = 26个像素相比较。

二，关键点方向确定

关键点确定之后，以关键点坐标（在原图上的坐标）为圆心，做一个圆，把圆内所有的梯度方向叠加到8个方向上面，然后选取最大值，作为关键点主方向。通过这种方法，达到了方向不变性。
确定了主方向，后面的操作就会围绕这个主方向来进行。

三，描述子的生成

将坐标轴和主方向的方向对齐。如下图：

然后就是选择一个大小合适的方框，把方框分为4×4个小格，每个小格都有8个主方向，同理，也是计算每个小格的梯度方向，然后加到8个方向里面（如果方向不同，就取方向最相近的一个方向。）然后最后得到的就是4×4×8大小的向量，这个向量就是SIFT描述子。
这里是参考网址。

（后面有时间了再写如何匹配）