1 SIFT描述子
1.1SIFT描述子简介
SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
1.2 SIFT算法实现步骤简述
SIFT算法实现特征匹配主要有三个流程，1、提取关键点；2、对关键点附加 详细的信息（局部特征），即描述符；3、通过特征点（附带上特征向量的关 键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系。
2 关键点检测的相关概念
2.1 哪些点是SIFT中要查找的关键点（特征点）
这些点是一些十分突出的点不会因光照、尺度、旋转等因素的改变而消 失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。既然两幅图像中 有相同的景物，那么使用某种方法分别提取各自的稳定点，这些点之间会有 相互对应的匹配点
2.2 什么是尺度空间
关键点检测的相关概念 尺度空间中各尺度图像的 模糊程度逐渐变大，能够模拟 人在距离目标由近到远时目标 在视网膜上的形成过程。 尺度越大图像越模糊。
根据文献《Scale-space theory: A basic tool for analysing structures at different scales》可知，高斯核是唯一可以产生 多尺度空间的核，一个 图像的尺度空间，L(x, y, σ) ,定义为原始图像 I(x, y)与一个可变尺度的2 维高斯函数G(x, y, σ) 卷积运算。
2.3高斯金子塔
高斯金子塔的构建过程可分为两步：
（1）对图像做高斯平滑；
（2）对图像做降采样。
为了让尺度体现其连续性，在简单
下采样的基础上加上了高斯滤波。
一幅图像可以产生几组（octave）
图像，一组图像包括几层
（interval）图像。
2.4关键点检测——DOG
DoG（Difference of Gaussian）函数
DOG局部极值检测
特征点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点， 每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域 的相邻点大或者小
2.5关键点匹配
关键点的匹配可以采用穷举法来完成，但是这样耗费的时间太多，一 般都采用kd树的数据结构来完成搜索。搜索的内容是以目标图像的关 键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻 近的原图像特征点。Kd树是一个平衡二叉树
2.6代码实现
2.6.1关键点检测
2.6.2 描述子匹配
2.6实现数据集中查找匹配数高的图片
2.8实验结果分析
由实验结果可看出，SIFT点的特点为
1.视角和旋转变化不变性
2.光照不变性
3.尺度不变性
但是在实验过程中发现对模糊的图像和边缘平滑的图像，检测出的特征点过少，对圆更是无能为力
来源：CSDN
作者：Ayakooooooo
链接：https://blog.csdn.net/bymar/article/details/104739210