简介： SIFT算法是检测和描述局部特征的方法之一，具有尺度不变性，对光、噪声等的容忍度相当高。 即使是少数物体也可以产生很多SIFT特性。
SIFT算法基本上在不同比例的空间中查找关键点，并计算关键点的方向。
算法步骤：
1 .构建尺度空间
利用qxdfbx核构建qxdfbx核是唯一能够生成多尺度空间的核，也是唯一的线性核，利用qxdfbx比对图像模糊处理不会引入其它噪声。 qxdfbx内核函数：
输入图像通过qxdfbx核函数连续对尺度进行参数变换，最终得到多尺度空间序列。 图像中某个尺度的空间函数是通过卷积qxdfbx函数和原始输入图像I(x，y )得到的。
qxdfbx金字塔模仿图像的不同尺度生成的步骤： qxdfbx平滑---对图像进行下采样(通常先将图像放大一倍，根据放大的图像构建qxdfbx金字塔。 接下来，对该尺寸的图像进行qxdfbx模糊，几个模糊图像的集合构成一个八度音，对从该八度音下面数起的第三个图像进行下采样，长度和宽度分别缩短为2倍，图像面积成为1倍等(为什么倒数第三) 为了保持尺度空间的连续性，可以根据下图的公式计算第o组第s层的图像尺度，可以看出下一组第o层的图像正好与上一组倒数第三个图一致。 因此，每组的第0张图像只需要用从上层倒数第3张图像进行下采样即可。
2.DoG
la place操作器：辅助指南
log(laplaceofGaussian )将拉普拉斯算子和qxdfbx函数组合成一个步骤，等价于对qxdfbx函数进行二次微分，然后与原图进行卷积
展开qxdfbx拉普拉斯运算符：
还有：
DoG :不同尺度下qxdfbx函数的差分DoG算子是
DoG运算符和LoG运算符具有相似的波形，计算复杂度低，所以一般用DoG代替LoG运算符。
DoG vs LoG
qxdfbx差分图像
3.DoG定位极值点
特征点由DoG空间的局部极值点构成。 各像素与其他所有相邻点相比，在潜在特征点检测到的局部极值点a(x、y、)是离散情况下的极值点，考虑到连续情况，极值点可能在a点附近
设上面d(x )的一阶导数为0，可以得到
重复以上过程多次，求出最终候选点的正确位置。 (偏移超过0.5时更新当前像素点，不超过0.5时偏移成为正确点)4)边缘和对比度低的响应(去除一部分特征点) ) )。
移除低对比度点：移除d(x )小于0.03的点边缘点：使用hessian矩阵
5 .确定重点方向
利用特征点区域像素的梯度来决定其方向参数，如果对于已经检测出的特征点，其尺度是已知的，则可以决定该尺度下的qxdfbx图像
梯度方向
梯度振幅
使用图像的梯度直方图求出关键局部结构的稳定方向时，将关键点作为原点，某个区域内的图像像素点对关键方向的生成做出贡献。 制作梯度直方图，根据梯度方向决定位于直方图的哪个时隙(总共36个时隙，每10度分一个)，对振幅进行加权来更新时隙内的振幅之和。
6 .创建关键帧描述符((keypoints descriptor ) ) ) ) ) ) ) ) ) )。
修正主方向，确保旋转不变性以特征点为中心，将坐标轴向特征点的主方向旋转生成描述符，形成128维的特征向量根据梯度方向直方图按45度分割，合计分割8个槽，按4*4的小块制作8个方向的梯度直方图即，形成一个种子点并且使用16个种子点来描述每个关键点，每个种子点具有8个方向上的信息，即，形成
对特征向量的长度进行归一化处理，进一步消除光的影响。
参考博文：
SIFT特色详情- Brook_icv -博客公园
SIFT分析(二)特征点定位- DreamFaquir -博客公园
SIFT分析(三)生成特征描述符_honpey编程爱好-CSDN博客
SIFT定位算法关键步骤说明- Ronny丶-博客园