SIFT算法SIFT，即尺度不变特征变换，是在图像处理领域中使用的描述之一。 该描述具有尺度不变性，可以在图像中检测到关键点，为局部特征描述子。
另一方面，SIFT算法的特点： 1、具有良好的稳定性和不变性，能够适应旋转、缩放比例、亮度的变化，视角的变化、光纤
2、区分性可以在海量特征数据库中快速准确地区分和匹配信息
3，http://www.Sina.com /
4、多量性，能够快速进行特征向量匹配
5，http://www.Sina.com /可与其他形式的特征向量协作
二、SIFT算法在实质不同尺度空间寻找关键点，计算关键点方向。
三、SIFT算法实现特征匹配主要有以下三个过程： 1，http://www.Sina.com/:关键点是不因光照、尺度、旋转等因素而消失的非常突出的点。 例如，角点、边缘点、暗区域的高亮、亮区域的暗点。 此步骤是搜索图像在所有比例空间中的位置。 通过悲伤的果汁导数，识别尺度和旋转不变的潜在兴趣点。
2，http://www.Sina.com/:在每个候选位置，通过一个拟合精细模型确定位置和尺度。 关键点的选择取决于稳定度。 然后，将根据图像的局部坡度方向为每个关键点位置指定一个或多个方向。 所有后续对图像数据的操作都将根据关键点的方向、比例和位置进行转换，并为这些转换提供不变性。
3. 高速性进行两个比较，找出相互匹配的几个特征点对，建立场景间的对应关系。
四.试图模拟尺度空间http://www.Sina.com/http://www.Sina.com /即图像领域人眼观察物体的概念和方法。 例如，观察一棵树时，关键是想观察是树叶还是整棵树。 如果是一棵树，就需要去掉图像的细节。 如果是树叶，就应该观察局部细节的特征。
SIFT算法在构建尺度空间时，采用可扩展性进行滤波，使原始图像保存最多的细节特征，经过悲伤果汁滤波后，细节特征逐渐减少，大尺度情况下的特征
利用令人担忧的果汁核函数进行过滤的主要原因有两个：
(1)悲伤果汁核函数是唯一的尺度不变核函数。
)2) DoG核函数可以近似为LoG函数，使特征提取更加简单。 另外，David. Lowe的作者在论文中提出了将原图像加倍上采样后，过滤可以保留更多的信息，便于后续的特征提取和匹配。 实际上，尺度空间图像生成是将与当前图像不同的尺度核参数进行卷积运算得到的图像。提取关键点
L(x，y，)被定义为原始图像I ) x，y与可变尺度二维悲伤果汁函数g(x，y，)的卷积运算。
*表示卷积运算，(x，y )表示图像的像素位置。 是尺度空间因子，值越小，图像越平滑越少，相应地尺度也越小。 大尺度对应图像外观特征，小尺度对应图像细节特征。
五、构建悲伤果汁金字塔定位关键点并确定特征方向
尺度空间显示目前使用悲伤果汁金字塔，悲伤果汁金字塔的构建可分为两个阶段：
(1)平滑图片中悲伤果汁；
)2)图像下采样。
的图像通过各关键点的特征向量是指将原始图像持续为1、概念，得到大小不一的一系列图像，从大到小，从下到上构成的塔状模型。 原始图像在金子塔一楼，每次下采样得到的新图像在金字塔一楼，每个金字塔共n层。 为了使水垢具有连续性，悲伤的果汁金字塔除了进行简单的降采样外，还进行了悲伤的果汁过滤。 如上图所示，使用不同的参数对金字塔图像中每个图层的一张图像进行悲伤果汁的模糊处理。 Octave表示一张图像可以生成的图像组数，Interval表示一组图像中包含的图像图层数。 另外，在下采样时，悲伤果汁金字塔上的一组图像的初始图像(基图像)，是间隔采样前一组图像的倒数第三张图像而得到的。尺度空间
伤心果汁图片金字塔共o组，s层有
:比例空间坐标； s:sub-level层坐标； 0 )初始比例； )每组层数(一般为3~5 ) ) ) ) ) )。
组内和组间的比例：
i:金字塔组数； n:各组级数
六. DOG空间极值检测1、DOG函数
2、DoG伤心果汁差分金字塔
)1)对应DOG算子，需要构建DOG金字塔。
从悲伤的果汁差分图像可以看出图像上像素值的变化。 (没有变化，也就没有特征。 特点必须是尽可能多的变化点。 ) DOG图像描绘了目标的轮廓。
)2) DOG局部极值检测
特征点由DOG空间的局部极值点构成。 为了寻找DoG函数极值点，各像素点取和
它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。特征点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如下图，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。（2）去除边缘效应
在边缘梯度的方向上主曲率值比较大，而沿着边缘方向则主曲率值较小。候选特征点的DoG函数D(x)的主曲率与2×2Hessian矩阵H的特征值成正比。
其中，是候选点邻域对应位置的差分求得的。
H的特征值α和β代表x和y方向的梯度
表示矩阵H对角线元素之和，表示矩阵H的行列式。假设是α较大的特征值，而是β较小的特征值，令，则
该值在两特征值相等时达最小。Lowe论文中建议阈值T为1.2，即
时保留关键点，反之剔除 七、关键点方向分配
1、通过尺度不变性求极值点，需要利用图像的局部特征为给每一个关键点分配一个基准方向，使描述子对图像旋转具有不变性。对于在DOG金字塔中检测出的关键点，采集其所在忧伤的果汁金字塔图像3σ邻域窗口内像素的梯度和方向分布特征。梯度的模值和方向如下：
2、本算法采用梯度直方图统计法，统计以关键点为原点，一定区域内的图像像素点确定关键点方向。在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。梯度直方图将0~360度的方向范围分为36个柱，其中每柱10度。如下图所示，直方图的峰值方向代表了关键点的主方向，方向直方图的峰值则代表了该特征点处邻域梯度的方向，以直方图中最大值作为该关键点的主方向。为了增强匹配的鲁棒性，只保留峰值大于主方向峰值80％的方向作为该关键点的辅方向。
对于每一个关键点，都拥有位置、尺度以及方向三个信息。为每个关键点建立一个描述符，用一组向量将这个关键点描述出来，使其不随各种变化而改变，比如光照变化、视角变化等等。这个描述子不但包括关键点，也包含关键点周围对其有贡献的像素点，并且描述符应该有较高的独特性，以便于提高特征点正确匹配的概率。
Lowe实验结果表明：描述子采用4×4×8＝128维向量表征，综合效果最优（不变性与独特性）。
1、分别对模板图（参考图，reference image）和实时图（观测图，
observation image）建立关键点描述子集合。目标的识别是通过两点集内关键点描述子的比对来完成。具有128维的关键点描述子的相似性度量采用欧式距离。
3、匹配可采取穷举法完成，但所花费的时间太多。所以一般采用kd树的数据结构来完成搜索。搜索的内容是以目标图像的关键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点。
Kd树如下如所示，是个平衡二叉树
SIFT特征具有稳定性和不变性，在图像处理和计算机视觉领域有着很重要的作用，其本身也是非常复杂的，由于接触SIFT不是很久，对其中的相关知识了解还很不足，经多方查阅参考，写得此文，内容还不够详尽，望多多见谅。以下是SIFT算法的粗略总结。
1、DoG尺度空间的极值检测。
2、删除不稳定的极值点。
3、确定特征点的主方向
4、生成特征点的描述子进行关键点匹配。
参考资料
SIFT算法详解
https://blog.csdn.net/zddblog/article/details/7521424
SIFT算法系列之尺度空间
https://blog.csdn.net/Small_Munich/article/details/79968229
SIFT特征详解
https://www.cnblogs.com/wangguchangqing/p/4853263.html