SIFT(Scale-Invariant Feature Transform)，中文含義就是尺度不變特征變換。自1999年由David Lowe提出以后被廣泛的應用于CV的各種領域：圖像識別，圖像檢索，3D重建等等，可謂無人不知無人不曉。

由于在此之前的目標檢測算法對圖片的大小、旋轉非常敏感，而SIFT算法是一種基于局部興趣點的算法，因此不僅對圖片大小和旋轉不敏感，而且對光照、噪聲等影響的抗擊能力也非常優秀，因此，該算法在性能和適用范圍方面較于之前的算法有著質的改變。這使得該算法對比于之前的算法有著明顯的優勢，所以，一直以來它都在目標檢測和特征提取方向占據著重要的地位。

它的步驟可以主要分兩步：1）特征點檢出 keypoint localisation，2）特征點描述 feature description。

特征點檢出

主要是用了高斯差分函數（DoG），就是把圖像做不同程度的高斯模糊blur，平滑的區域或點肯定變化不大，而紋理復雜的比如邊緣，點，角之類區域肯定變化很大，這樣變化很大的點就是特征點。當然為了找到足夠的點，還需要把圖像放大縮小幾倍(Image Pyramids)來重復這個步驟找特征點。其實DoG并不是Lowe提出的，很久以前就有了，讀過SIFT專利的人都知道，SIFT的專利里面也不包括這部分。可代替特征點檢出還有很多其他方法如MSER等。

特征點描述

就是一個簡單版的HOG，即以檢出的特征點為中心選16x16的區域作為local patch，這個區域又可以均分為4x4個子區域，每個子區域中各個像素的梯度都可以分到8個bin里面，這樣就得到了4x4x8=128維的特征向量。特征點檢出以后還需要一個很重要的步驟就是歸一化，計算這個patch的主方向，然后根據這個主方向把patch旋轉到特定方向，這樣計算的特征就有了方向不變性，也需要根據patch各像素梯度大小把patch縮放到一定的尺度，這樣特征就有了尺度不變性。

方向分配

根據圖像的圖像，可以為每個關鍵定指定一個基準方向，可以相對于這個指定方向表示關鍵點的描述符，從而實現了圖像的旋轉不變性。 關鍵點的尺度用于選擇尺度最接近的高斯平滑圖像，使得計算是以尺度不變的方式執行，對每個圖像?，分別計算它的梯度幅值和梯度方向， ? ? 然后，使用方向直方圖統計關鍵點鄰域內的梯度幅值和梯度方向。將0~360度劃分成36個區間，每個區間為10度，統計得出的直方圖峰值代表關鍵點的主方向。

猜你喜歡：👇🏻
?【圖像】Dog（高斯差分）檢測角點
?【總結】一文了解所有的機器學習評價指標
?基于小波變換的圖像邊緣檢測（matlab祖傳代碼注釋）

總結

以上是生活随笔為你收集整理的【图像】尺度不变特征变换算法（SIFT）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。