sift的全稱是scale invariant feature transform，尺度不變特徵變換，是一種非常穩定的區域性特徵。
sift特徵具有以下特點：
1，影象的區域性特徵，對旋轉、尺度縮放、亮度變化保持不變，對視角變化、仿射變換、雜訊也保持一定程度的穩定性；
2，獨特性好，資訊量豐富，適用於海量特徵庫進行快速、準確的匹配；
3，多量性，即使是很少幾個物體也可以產生大量的sift特徵；
4，高速性，經優化的sift匹配演算法甚至可以達到實時性；
5,擴充套件性，可以很方便的與其他的特徵向量進行聯合。
sift特徵檢測的基本步驟為:
dog尺度空間的極值檢測。 首先是構造dog尺度空間，在sift中使用不同引數的高斯模糊來表示不同的尺度空間。而構造尺度空間是為了檢測在不同尺度下都存在的特徵點，特徵點的檢測比較常用的方法是高斯拉普拉斯log，但是log的運算量是比較大的，可以使用dog（差分高斯）來近似計算log，所以在dog的尺度空間下檢測極值點。
刪除不穩定的極值點。主要刪除兩類：低對比度的極值點以及不穩定的邊緣響應點。
確定特徵點的主方向。以特徵點的為中心、為高斯正態分佈的標準差的某個倍數為半徑的領域內計算各個畫素點的梯度的幅角和幅值，然後使用直方圖對梯度的幅角進行統計。直方圖中最高峰所對應的方向即為特徵點的方向。
生成特徵點的描述子。首先將座標軸旋轉為特徵點的方向，以特徵點為中心的16×16的視窗的畫素的梯度幅值和方向，將視窗內的畫素分成16塊，每塊是其畫素內8個方向的直方圖統計，共可形成128維的特徵向量。
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演算法特徵點如何匹配？
我需要把一張 和訓練集中的進行匹配。我把一張 提取特徵值並建立kd樹，然後把訓練集的依次讀進來，然後把的特徵點依次放進kd樹裡面找最近的點，第乙個問題就是這2個點的距離，方向之比，長度之比在什麼範圍內算是匹配的？第二個問題是匹配的特徵點與總共的特徵點之比達到什麼範圍就可以認為2幅是匹配的？第三個問題...
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...