sift算法简介(一种斑点检测算法)

斑点就是图像中颜色或纹理变化较大的点，不同于角点，斑点是图像中的一个区域。

sift算法是经典的斑点检测与匹配算法

1.构造高斯金字塔

（1）获取第0塔第0层图像。原始图像经过高斯函数平滑之后作为第0塔第0层图像。

（2）将第0搭第0层图像经过高斯函数建立不同的尺度空间，构成第0塔（一般为3-5层）。

（3）为了减少计算量，将相邻两个高斯尺度空间相减构造高斯差分尺度空间，比高斯尺度空间少一层。

（4）将第i塔的倒数第三层降采样之后作为第i+1塔的第0层，重复（1）-（3）构建第i+1塔

（5）塔的个数根据图像的大小判读。

2.寻找关键点

（1）在相同的高斯差分尺度空间中，判断一个点A是否关键点，需要判断点A在其邻域中是否是局部极值（极小值或极大值），点A的领域包括点A所在的层中的周围8个点和相邻的上下两层各9个点（一共28个点），如果该点A是极值，则将点A列为候选关键点。因为点A所在的尺度空间必须在中间，首尾两个尺度空间无法寻找关键点，所以将高斯差分尺度空间增加两层，将高斯尺度空间增加三层。

（2）通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度（亚像素精度是指相邻两像素之间细分情况）），去除对比度低的点和边缘点。对比度低：和邻域像素相差不大。边缘点：受环境影响较大。边缘点因为在横跨方向主曲率较大，在垂直边缘主曲率较小，计算两者比值，小于某个阈值，则保留该关键点。

3.用128维向量表示关键点

以关键点为核心，获取周围16*16个点。计算每个点的梯度方向和长度。然后将16*16区域分成大小为4*4的小区域，共分成4*4=16个小区域。将梯度方向分为8个（每45度为一个方向），统计每个小区域梯度方向的直方图，在统计时，梯度大小使用以关键点为核心的高斯函数进行加权。这样，每个小区域都可以用一个8维向量表示，而关键点可以用8*16=128维向量表示。将128维向量归一化可以避免环境等的影响。

4.匹配两幅图的关键点

按照1-3的方法分别用128维向量表示两幅图的关键点。判断甲图中的某一个关键点A是否和乙图匹配。需要计算点A和乙图所有关键点的欧式距离，找出点A和乙图中距离最近的两个点。判断点A和最近的点B距离与次近的点的距离的比值是否小于某个阈值，如果小于，则点B和点A匹配。否则乙图中没有和点A匹配的点。