本篇文章主要介绍了" Programming Computer Vision with Python （学习笔记十一）"，主要涉及到方面的内容，对于Pythonjrs看球网直播吧_低调看直播体育app软件下载_低调看体育直播感兴趣的同学可以参考一下：
尺度不变特征变换(Scale-invariant feature transform， 简称SIFT)是图像局部特征提取的现代方法——基于区域/图像块的分析。在...
尺度不变特征变换(Scale-invariant feature transform， 简称SIFT)是图像局部特征提取的现代方法——基于区域/图像块的分析。在上篇笔记里我们使用的图像之间对应点的匹配方法，不适用于不同尺度的图像。有许多应用场景需要对不同尺度（即分辨率、缩放、旋转角度、亮度等都可能存在不同）的图像进行特征识别和匹配，这就需要一种特征提取方法，通过这种方法提取出来的特征描述，可以不受尺度的影响，SIFT算法就是这种方法的实现。SHIT算法有如下的特点：
SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT算法的应用非常广泛，包括物体识别、机器人地图感知与导航、全景拼接、3D建模、手势识别、影像追踪和动作比对等,原书后面章节的算法也会多次用到它。SIFT算法的过程较复杂，本文只是粗略介绍其关键步骤，以便引出SURF——基于SIFT的改进算法。
SIFT的算法还是比较复杂的，但也让人大开眼界，权威的和详细的介绍应该直接看英文论文，我的笔记记录的也只是其算法的要点，目的是为了理解算法的思想，为了对涉及到的数学有一个大概的了解。
SIFT算法要点
降采样
降采样或隔点采样，将一幅图像降为一半大小的图像，连续使用几次降采样，每次得到的图像大小都降为前一张大小的一半，最后得到一组降采样的图像。降采样的目的是为了综合所有不同清晰度的图像进行关键点提取，这种关键点携带了不同清晰度的信息，对缩放具有不变性。
高斯差分算子(Difference of Gaussians，简称DOG)
在之前的笔记介绍过，原图像与高斯核（2维高斯算子）作卷积（高斯滤波）的结果即为模糊图像，实为平滑效果，高斯滤波属于低通滤波，它可以过滤掉一定的噪声。如果把两张使用不同sigma的模糊图像记为Bσ和Bkσ, DOG操作即为两张模糊图像之差，记：
Gσ = Bkσ - Bσ
Gσ为DOG图像，它包含的特征是目标的轮廓。
SIFT先对降采样后的每张图像使用不同的sigma进行高斯模糊，结果是每个降采样图像对应一组模糊图像:
然后对每组模糊图像的相邻图像作DOG，结果是每个降采样图像对应一组DOG图像，如图：
把每一组图像堆叠起来，位于塔底的是第一组（first octave），往上是第二组，第三组...每一组的图像大小为前一组的一半，看起来像金字塔：
如图Gaussian列（左边）称为高斯金字塔，DOG列（右边）称为DOG金字塔。
关键点检测
SIFT分别对每组DOG图像提取关键点，以第一组为例，将第一组DOG图像上下对齐叠加在一起，形成DOG空间，DOG空间有两个域：图像域和尺度域。图像域指图像本身的二维平面像素，尺度域指垂直于图像域的第三维度构成的像素。SIFT使用局部极值检测来定位找到关键点，如下图所示：
X位置所在像素即为当前要检测的点，以X为中心的周围像素（包括图像域和尺度域）形成了一个局部空间（像3X3魔方），如果X为此局部空间的极值（最大值或最小值），那么X即为关键点之一。
