Sift尺度不變特征變換比對算法
Scale Invariant Feature Transform
主要的思路就是使用高斯金字塔和高斯核濾波查分來提取局部特征。在尺度空間當中尋找極值點，提取位置、尺度和旋轉不變量。
Sigema代表高斯分布的方差，尺度空間可以定義為原始圖像I（x，y）與一個可變吃段高斯函數G(x,y,sigema), 。
Sigema，sigema是高斯金字塔的尺度參數，sigema越小，圖像被平滑越小，相應的尺度就越小。當sigema連續變化，G(x,y,z)就生成了圖像的尺度空間。
先介紹一下尺度空間理論:
用來模拟圖像資料的多尺度特征，高斯卷積核是實作初讀變化的唯一線性核：
高斯金字塔就是為了得到不同空間下的穩定關鍵點，将圖像和不同的尺度因子的高斯核進行卷積操作，
假設有o組，每一個組都有s層，通過一定的知識，可以的得到，組内尺度群組件尺度歸結為：
第一步
将原圖分離模糊成告訴金字塔模型，實際上就是使用高斯模糊将特征提取出來，
模闆大小為m*n的模闆元素(x,y),對整個圖像進行滑移，在滑移之前，要注意邊界的影響。
Sigema取值的不同，會導緻不同的邊緣處理效果。
使用不同的系數k的sigema，會生成一系列高斯特征：
如上圖所示，想生成一階的圖，同一階的圖的sigema相同，但是k不同，然後使用個點取樣的方法，生成第二階的圖形，繼續使用不同倍數的sigema來對圖形進行周遊，得到第二階高斯圖。
為了有效的在尺度空間當中檢測到關鍵點，定義圖像的高斯差分尺度空間為圖像對的不同吃多那個空間的差，可以利用dog高斯查分算子生成。
每一組高斯圖，都會生成s-1個高斯差。随着高斯空間尺度的逐漸增大，對圖像的模糊逐漸增大。
關鍵點是有dog空間的局部極值點組成的。
極值點的尋找方法就是：
Dog尺度空間中的中間曾的每一個下像素和它同尺度的8個相鄰點以及上下相鄰尺度對應的9*2個點，以確定在尺度空間和二位圖像空間當中都能檢測到局部極值點。
下一步的工作就是通過進一步的檢驗來定位精确的關鍵點。具體來說就是去除噪聲和邊緣相應。
關鍵點方向的配置設定：
通過尺度不變性求關鍵點，可以使其具有縮放不變的性質每一組都有隔點采樣。這一點可以取得。利用關鍵點領域像素的梯度方向分布特性，就可以使得圖像具有旋轉不變性。
在這裡使用的是一階微分模闆來進行的。
然後使用1.5sigema的半圓統計進行直方圖的繪制。這個直方圖就是
特征點描述點的生成：
特征描述子的生成的大緻思路是：
在特征點附近生成塊，計算分塊的梯度，生成獨特的資訊标記
第一步：确定描述子所需要的區域，考慮到一些因素，區域為3（d+1），原型區域的半徑為3（d+1）*根号2 = R.
2：考慮到旋轉不變性，将R*R領域的坐标旋轉Θ，
● 3：前兩步是确定塊的大小，到了這一步就是将關鍵點确定為R園的中心點，計算幅值和角度。