很详细的一个英文博客：
http://aishack.in/tutorials/sift-scale-invariant-feature-transform-introduction/
SIFT （Scale-invariant feature transform, 尺度不变特征变换）
- 是局部特征描述子，尺度不变性
-
尺度空间：所有尺度上的图像位置，高斯微分函数来识别潜在对于尺度和旋转不变的兴趣点。
1.1 构建高斯金字塔，先将图像放大一倍，每一组（Octave) a1a2a3an（不同blur level）是由不断高斯模糊通过卷积高斯核构成，下一组第一张是当前组最后一张降采样构成，组内不同层插值用于构建高斯金字塔。 -
LoG估计。
2.1 基于Difference of Gaussian 近似--> Laplacian of Gaussian 基于模糊后的二阶导, 相邻层相减构建差分高斯金字塔。 -
关键点检测。
3.1 让候选点与周围如图26个点比较，如为极大值或极小值则初步认为是近似关键点。基于这些点结合**泰勒展开（拉格朗日定理）**和插值法找到极值subpixel位置作为关键点。
-
剔除低部分关键点通过对比度检测和边缘检测。
4.1 通过指定阈值剔除低对比度点；基于Hessian Matrix通过梯度找到角点，两个方向梯度都小是flat region，一小一大是edge，两大是corner； -
基于图像局部梯度方向，给每个关键点分配一个或多个方向。
5.1 使用梯度方法计算出梯度值和梯度方向. 然后在1.5σ范围内计算梯度方向直方图。极大值为主方向，大于主方向80%的作为新关键点（跟主方向比除了方向都一样）。 -
关键点描述（特征是生成）。
6.1 关键点可能不位于像素内，此时需要插值，周围16*16像素构成窗口计算特征向量； 每个4*4窗口像素根据梯度值和方向分为8个bins方向的直方图；最后以关键点为中心通过高斯核平滑每个窗口值，并生成8*16=128维特征向量；最终标准化除以平方和的根。为了达到旋转不变性，4*4 和 16*16窗口每个方向减去关键点的旋转使得以关键点为主方向。为了减少光照依赖性，任何大于0.2的数都设置为0.2。
来源：CSDN
作者：黑山白雪m
链接：https://blog.csdn.net/mmm305658979/article/details/103681075