试试通俗的解释一下SIFT算法

一、SIFT是什么？

SIFT中文名为尺度不变特征变换，我不知道为什么叫这个名字，我觉得叫尺度变换特征不变更合理。即SIFT特征提取出来的图像的局部特征，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。大白话就是无论图片怎么剪裁，旋转，提取到的特征点还是那些。

二、SIFT算法步骤

1.尺度空间极值检测

尺度就是图片的大小，即在不同尺寸上对图片提取极值点，这个极值点就是特征点。

上图左边很明显的分为较大和较小的两部分，代表着同一个图片的不同尺寸，这个尺寸变化是通过降采样实现的，简单来说就是对一定区域内的像素点取平均值，用这个平均值代替这个区域内的像素，以此实现缩小图片的目的。两部分中又包含5个尺寸相同的图片，这五个图片虽然尺寸相同，但是模糊程度不同，那么怎么让图片变模糊呢？通过高斯函数。通过设置不同的尺度空间坐标σ，来让图片的模糊程度不同。上图左边只有两组，实际上组数可能更多，很想金字塔，因此称为高斯模糊金字塔。

上图左边两组内图片两两“相减”，得到右边的蓝色部分，这个“相减”称为高斯差分，看名字就像个包含数学的复杂的过程，博主最头痛数学了。
右边的到的金字塔称为高斯差分金字塔。

得到高斯差分金字塔后，开始最重要的步骤：检测极值点。

如图，叉点是我们待检测的点，将叉点与其周边、上下层一共26个点进行比较，这里又是一番数学的东西，令人头疼。反正一通操作猛如虎，极值点就算出来了。

下图是以上全过程的实例。感受一下高斯模糊和高斯差分的结果。

2.关键点定位

通过第1步算出了极值点，然而图像的像素点是一个一个的，学名叫“离散”。而真正的极值点是在连续的“线”上找到的，比如在sinx函数上找极值点，假如你只有sinx图像上0、π/3,、π这三个点，那我们找到的极值点是π/3，而实际的极值点应该是π/2上。图像找到的极值点也类似，我们需要对图像上的点拟合一个连续的函数，找到真正的极值点。

3.方向赋值

经过上一步，我们找到了很多极值点，这个极值点反应在图像上一般是物体的边缘、明暗对比比较强烈的地方。接下来确定极值点的方向。

首先在找到的极值点周围画个圈，类似这样。箭头暂时先不用管。

然后我们对圆圈内所有的点求方向，那么什么叫点的方向呢？请看下图。

图中Target Pixel就是我们要求方向的点了，图中点的像素值和坐标已经标出。接下来又是数学问题，这次的数学问题比较简单，我们只要相减就够了。就像这样。

得到了差值之后，再计算arctan值，得到的角度就是方向了。

还可以求图像梯度。

刚才上图圆圈中的箭头就是这么来的了，箭头的长度根据的是图像梯度。

将箭头不同方向的数量统计一下，箭头数量最多的就是主方向了。有时候会把数量第二多的方向作为辅方向。

4.关键点描述

最后一步就是描述得到的关键点信息。上图是取得是88的范围，实际上SIFT取得是1616的范围。
其中划分为44的大方格，统计每个大方格中各个方向的数量。
近似取8个方向，方向的数量以箭头长短表示。那么16个格子，每个格子8个方向，一共需要168=128个描述。因此，每个SIFT特征点是用128维的向量表示的，一个图片有n个特征点，那么描述这个图片的矩阵就是n*128维。

总结

由于SIFT算法的关键点选区，经过了图片的尺寸放缩、模糊，特征描述向量里也包含了方向，因此它对一些常见的图像攻击具有鲁棒性。

实验结果

同一图片截图比对

同一图片的旋转比对，有点乱但感觉好像还行哈哈哈哈。

想跑一下代码试试的朋友们可以去github上搜sift，代码有很多，我也是github上找的。