為了保證特徵點的方向不變性，我們必須確定特徵點的方向。
我們知道，確定乙個點的梯度方向有如下公式：
其中我們在以特徵點為中心的鄰域視窗中進行取樣，並用直方圖來統計鄰域畫素的梯度方向，梯度直方圖的範圍是0~360°，其中每10度乙個柱，總共36個柱，直方圖的峰值代表了該關鍵點處鄰域梯度的主方向，即為關鍵點的方向，圖示如下：
注意：對於每乙個取樣點，它梯度方向所對應的直方圖內的增量是它的梯度大小。
在梯度方向直方圖中，若存在另乙個方向相當於主峰值80%的能量時，我們會認定這個方向是該特徵點的輔方向。乙個特徵點可能會被指定具有多個方向（乙個主方向，多個輔方向），這可以增加匹配的魯棒性。至此影象的特徵點以檢測完畢，每個特徵點具有三個資訊：位置，所在尺度，方向。
SIFT演算法 確定特徵點方向
sift演算法 dog尺度空間生產 sift演算法 keypoint找尋 定位與優化 sift演算法 確定特徵點方向 sift演算法 特徵描述子 目錄 1 計算鄰域梯度方向和幅值 2 計算梯度方向直方圖 3 確定特徵點方向 為了實現影象旋轉的不變性，需要根據檢測到的特徵點的區域性影象結構求得乙個方向...
SIFT演算法 確定特徵點方向
sift演算法 dog尺度空間生產 sift演算法 keypoint找尋 定位與優化 sift演算法 確定特徵點方向 sift演算法 特徵描述子 目錄 1 計算鄰域梯度方向和幅值 2 計算梯度方向直方圖 3 確定特徵點方向 為了實現影象旋轉的不變性，需要根據檢測到的特徵點的區域性影象結構求得乙個方向...
SIFT解析（二）特徵點位置確定
影象的尺度空間就是 二維高斯函式與原始影象卷積運算後的結果，尺度空間的表示式 lowe在 中闡述了為什麼使用差分高斯金字塔 1 差分高斯影象可以直接由高斯影象相減獲得，簡單高效 2 差分高斯函式是尺度規範化的高斯拉普拉斯函式的近似，而高斯拉普拉斯函式的極大值和極小值點是一種非常穩定的特徵點 與梯度特...