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：
⑴sift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。
⑵獨特性好，資訊量豐富，適用於海量資料庫中進行快速、準確的匹配。
⑶多量性，即使少數的幾個物體也可以產生大量的sift特徵。
⑷高速性，經過優化的sift演算法可以達到實時的要求。
⑸可擴充套件性，可以很方便的與其它特徵向量聯合。
sift演算法已經廣泛應用到工業檢測中。
3.1構建高斯金字塔
高斯金字塔構建分為兩步：
① 對影象進行高斯模糊；
② 對影象降取樣；
構建o組高斯金字塔，每組
s層影象。影象之間的尺度引數公式如下：
o ：第
o**像
s ：第o組第
s層影象
s ：每組
s層影象（一般
3~5）
高斯金字塔組數：
由此可見，相鄰兩組同一層尺度為2倍的關係。
3.2關鍵點檢測
dog區域性極值點
高斯金字塔建立以後，具有o**像，每組有
s層影象；每組相鄰兩層影象相減，構建
dog金字塔，但是
sift
特徵點不僅需要和同層鄰域比較，也需要和上下兩層尺度影象相鄰的鄰域比較，如果是
s層的話，只會搜尋出
s-2層特徵點，為了也找到
s層特徵點，在構建高斯金字塔時，在每組的頂層再增加
3層，這樣，高斯金字塔每組就有
s+3s+2
層dog
金字塔。
特徵點尺度空間領域
從上圖看出，乙個特徵點會與其尺度空間鄰域內26個點進行比較，以確保在尺度空間和二維影象空間都檢測到極值點。
SIFT演算法學習
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...
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...