這篇文章參考了utkarsh的部落格，感覺他對sift的理解非常深刻，傳送門在此：sift--utkarsh
sift學習
1. sift：scaleinvariant feature transform
不同影象間的特徵匹配是計算機視覺中的乙個焦點，如果是大致相似的（同樣的尺寸，同樣的方向），簡單的角點檢測（harris）是可行的。但是如果圖象有不同尺度和旋轉，你就需要尺度不變的特徵轉換（sift）。
2. 為毛sift牛叉
sift不僅僅是尺度不變，你可以改變下列幾項，一樣能獲得較好的結果。
² 尺度
² 旋轉
² 亮度（強度）
² 視角
下面是乙個例子：
我們要尋找這些目標：
這是我們搜尋的場景：
這是我們得到的結果：
大的矩形標識的是匹配的，小的矩形標識的是這些區域裡的單個特徵。注意這些大的矩形是根據目標的朝向和尺度來刻畫的。
3. 演算法
sift是乙個較複雜的演算法，所以我把整個演算法分割成幾個部分，這是整個大綱。
ø 構建乙個尺度空間
這是最初的準備工作，你要建立乙個原始的一組尺度圖來確保尺度不變。
ø log近似
高斯拉普拉斯運算元對於查詢特徵點很有幫助，但是消耗太大，所以我們採用在之前建立的尺度圖來完成近似log的計算
ø 查詢特徵點
在之前快速近似策略上，我們嘗試查詢特徵點，在我們前一步的計算得到高斯差分（dog）中查詢極大值和極小值。
ø 捨棄不適合的特徵點
邊緣和低對比度區域是不合適的特徵點。去除它們使得演算法更有效和魯棒性。這裡使用了乙個類似harris角點的技術。
ø 對特徵點賦予方向
每個特徵點都會計算出乙個方向，它會涉及到更多的計算，這可以有效的去除方向的影響，使得它滿足方向不變性。
ø 產生sift特徵
4. 你能用sift幹什麼
檢索追蹤。。。。。。。。whatever you like
SIFT演算法學習
首先，如果開始就看公式的話會蒙，因此我首先看到一篇博文，這篇文章對sift演算法做了通俗易懂的解釋。看完這篇文章後對sift演算法有了感性的認識，之後我又看到了一篇寫得特別詳細的部落格。通過這篇文章對sift演算法的原理和基本步驟有了更好的認識。以上兩篇部落格對我的幫助很大！以上兩篇部落格都沒有關鍵...
SIFT演算法學習（1）
1.尺度引數 尺度英文名scale，直觀理解就是比例或者縮放。針對一幅影象，例如我們使用邊緣檢測運算元，以畫素為單位進行處理，這裡的尺度就是畫素級別。在現實世界，物體距離人眼遠或者近，距離遠了，尺度大，只能看到物體的輪廓 距離近了，尺度小，能看到物體的細節。在數字影象領域，不同的影象尺度，是由不同大...
SIFT演算法學習（2）
3.sift sift全稱為 scale invariant feature transform 即尺度不變特徵變換。sift演算法提取的 sift 特徵具有如下特性 sift特徵是影象的區域性特徵，其對旋轉 尺度縮放 亮度變化保持不變性，對視角變化 放射變換 雜訊也保持一定程度的穩定性。獨特性好，...