学习之特征提取SIFT

    一、算法描述 

     尺度不变特征转换(Scale-invariant feature transform，SIFT)，是一种图像特征提取与描述算法。SIFT是由David Lowe在1999年所发表，2004年进行了完善与总结。SIFT算法可以处理两幅图像之间发生平移、旋转、尺度变换、光照变化等情况下的特征匹配问题，并能在一定程度上对视角变化、仿射变化也具有稳定的特征匹配能力。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

    SIFT算法的特点有：

1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；

2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；

3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；

4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；

5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。

二、基本原理与实现步骤

    一幅图像的SIFT特征向量的生成主要包括5步：尺度空间的生成、尺度空间极值检测、精确确定极值点、关键点方向确定、特征向量生成。

（1）DOG尺度空间生成

        我们将图像的尺度空间表示成一个函数L（x,y,sigma）,它是由一个变尺度的高斯函数G（x,y,sigma）与图像I（x,y）卷积产生的，即

                                                              

     G(x,y,sigma)则为

                                                                    

    （x，y）是空间坐标，是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。 SIFT算法建议，在某一个尺度上对斑点的检测，可以通过对两个相邻高斯尺度空间的图像相减，得到一个DOG（Diffrence of Gaussians）的响应值图像D（x,y,sigma）。然后仿照