SIFT，一種檢測局部特徵算法，該算法通過求一幅圖中的特徵點（及其有關scale 和 orientation 的描述子得到特徵並進行圖像特徵點匹配，SIFT特徵具有尺度不變性，即使改變旋轉角度，圖像亮度或拍攝視角，仍然能夠得到好的檢測效果。
1)構建尺度空間（Scale space）:
2)高斯模糊
模糊模板：
模糊模板的計算：
二維高斯模糊產生黑邊，如下虛框值為0，計算後值偏小：
分離高斯模糊，處理黑邊，僅考慮圖片內部，虛框不考慮。
3)差分高斯函數：
極大值和極小值能夠產生比其他函數（包括梯度，Hessian，Harris角點函數）更加穩定的特徵。
4)構建圖片金字塔：
金子塔自下而上分為多層，在第一層中，對原始圖像不斷用高斯函數卷積，得到一系列逐漸平滑的圖像。在這一層中，相鄰的高斯圖像差分得到高斯差分圖像。這一組進行完畢後，從中抽取一幅圖像A進行降採樣，得到圖像B的面積變為A的1/4，並將B作為下一層的初始圖像，重複第一層的過程。選取A的原則是，得到A所用的尺度空間參數σ為初始尺度空間參數的2倍。設k = 2
1/s，在s個尺度中尋找極值點，則每層要有s+3幅圖像，生成s+2幅高斯差分圖像。
5）空間極值點檢測
6）關鍵點精準定位：提取穩定關鍵點
7）Orientation assignment
8）局部描述子
分享到:
閱讀更多 AI深度學習求索 的文章
