SIFT算法综述

SIFT 算法：
此篇博客主要讲sift的原理及为什么要这样做，不具体介绍细节，所以需要对sift算法有个大致了解，可以参考：
http://blog.csdn.net/zddblog/article/details/7521424
http://blog.csdn.net/abcjennifer/article/details/7639681/

一个物体，人眼从远处或者近处看它都能识别出来，但是计算机如何识别呢
AB两张图像的分辨率相同，但是某个物体的大小不同，这个物体的特征必然是有变化的。但如果我求得A的多尺寸的特征点，B的多尺寸的特征点，用A中的一个尺寸特征点遍历的比较B中每个尺寸的特征点（这样就算由于尺寸变化了特征改变了我也会在B的图像金字塔中找到一个这个物体尺度相近的图像），判断特征点是否相似

物体的特征受到尺度的影响，sift的算法是一种在空间尺度上寻找特征点的方法，解决了目标物体的缩放、旋转、光照变化等问题。由于物体特征对尺度的变化敏感，我们又不知道原图和待检测的目标图像的尺度是否是相同的，所以我们用多尺度的方式去描述图像（原理）。
Sift算法主要由3个部分构成：
1、尺度空间的构造，并求关键点
2、主方向的求取和特征描述符
3、匹配

一.尺度空间的构造：
前面讲到sift的原理是多尺度，那如何获得这个多尺度集呢
物体越小（尺寸）越模糊，越大越清晰
采用高斯模糊和降采样可以实现这个特性

如何获得 多尺度

1.使用高斯模糊来获取多尺度，有人证明了告高斯卷积是实现尺度变换的唯一变换核。高斯模糊就是度图像进行一个卷积运算，某个像素点用它和它周围的点去描述，这个卷积模板是个高斯函数（正态分布），离像素点越近它的影响因子越大，这样就会使得图像变得平滑（模糊）。σ是正态分布的标准差，越大图像越模糊。

2.使用金字塔结构，获得高斯金字塔
对图像进行降采样，获得N组多分辨率的图像金字塔，对于每一个分辨率下的图像进行高斯模糊，low建议每组中有s+3（low建议s=3）幅图像，并将第一层的尺度σ定为1.6，分别对第一张图像进行kσ,k*kσ… σ。

3.获得差分高斯金字塔
将上一层图像减去下一层图像，得到差分高斯金字塔，每组s+2（5）层。

4.获得极值点
如果一个像素点它在本层和上下两层中的9*3个点中为最大值或最小值，即为这个尺度下的关键点（实验证明，差分高斯金字塔获得最大值或最小值产生了最稳点的图像特征）。（角点检测http://blog.csdn.net/abcjennifer/article/details/7639488）

5.去除不稳点的点
不稳点的点包括低对比度和边缘响应点

二.主方向的求取 和特征描述符（关键点方向和特征描述符都是在对应的高斯图像上进行的）
Sift算法的另一个特点就是旋转不变性，利用图像的局部特征为关键点分配一个基准方向。
求关键点某个邻域内，求得各像素点的梯度值与梯度方向，得到方向直方图，选取最大值为关键点的方向。如何描述这个关键点？Low用关键点和关键点周围点描述它。根据所在尺度选取一个邻域，将坐标轴旋转为关键点的方向，以确保旋转不变性，将坐标中的点分配到4*4的子区域内，计算每个子区域的点的梯度值和方向，这样就构成了4*4*8=128维的特征向量，为了去除光照变化的影响，需要对它们进行归一化处理，因为光线变化是对图像灰度值整体的漂移。
三.匹配
A，B两幅图，将A中的每个描述子与B中的所有的描述子进行匹配，计算欧式距离，找出B中的两个最近的特征点，以最近距离除以次近距离，如果小于某个阈值则匹配成功。