计算机视觉-图像的SIFT特征（尺度空间）

SIFT，(Scale-invariant feature transform,SIFT)，尺度不变特征转换。是用于图像处理领域的一种特征描述，具有旋转不变性、尺度不变性、亮度变化保持不变性，也就是说在图片发生旋转、伸缩、明暗变化时，图片的SIFT特征都保持稳定。
与HOG在整幅图像上均匀地提取梯度方向统计特征不同，SIFT是一种局部特征，可在图像中检测出关键点，SIFT特征提取分为在图片上寻找关键点和提取关键点邻域信息两部分，在提取特征时只关注稳定的关键点及其附近的信息，使得特征更加具有描述性。
SIFT算法的实质是在不同的尺度空间上查找关键点，并计算关键点方向。从一张图片中提取SIFT的步骤如下：
尺度空间的极值检测
特征点定位
特征方向赋值
特征点描述
特征匹配

一.尺度空间的极值检测

1.什么是尺度空间

尺度空间理论是通过对一张原始图像进行尺度变换，获得多张图像，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等。

2.高斯核函数

在对有噪声的图像求取边缘点时，可以先用平滑滤波器对图像平滑，然后再对平滑后的图像求两阶微分，并检测局部极值点.
高斯卷积核是实现尺度变换的唯一线性核， 所以SIFT算法中使用了高斯滤波器对图像进行平滑处理.
对原始图像做多次的高斯平滑处理，也就得到了一个多尺度图像金字塔。

3.多尺度图像金字塔

图像金字塔是对一张图片进行多次采样，生成多张分辨率不同的图，把他们按从大到小，从下到上排列。

高斯金字塔是多组图像金字塔，在同一组中，每一层图像的尺寸都是一样的。图像金字塔能够很好的显示图像多尺度空间的特征，SIFT算法中的图像金字塔共有o组，每组有S层，下一组的图像由上一组图像降采样得到。
先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，然后保持尺寸不变，做一次高斯平滑作为第二组第二层，重复下去，最后得到L层图像。
将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为第2组的第1层，然后也是保持尺寸不变，做多次高斯平滑，得到L层图像。
这样反复执行，就可以得到一共O组，每组L层，共计O*L个图像，这些图像一起就构成了高斯金字塔。

差分金子塔-DOG,图像与图像相减，称为差分图,在高斯金字塔的基础上，高斯金字塔每组的，第一层减第二层，第二层减第三层,…,最后得到差分金字塔，又称DOG金字塔。

二.特征点提取

三.特征方向赋值

四.特征点描述

五.特征匹配