sift算法原理目录Sift算法的主要特点：Sift算法主要步骤：高斯卷积核是实现尺度变换的唯一线性核，其定义如下：▲1.建立高斯金字塔▲2.建立DOG金字塔：将每一组尺度空间中的相邻高斯尺度函数相减，生成高斯差分金字塔。a是第二组的第一层图像由第一组的的最后第二层图像隔点采样得到。b是通过相邻高斯尺度空间图像想减得到。ab▲3.DOG空间的极值检测：Ⅱ.关键点的精确定位令没有进行任何处理的关键点去除了低对比度之后的点去除边界效应强的特征点Ⅲ.确定关键点的主方向Ⅳ.生成sift特征矢量为了增强匹配的稳健性，Lowe建议对每个关键点可使用4*4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形成128维的sift特征矢量。此时sift特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。特征向量归一化处理：1.将用三维数组存储的梯度转换为用一维数组存储，一维数组的大小为1282.对128个梯度进行归一化处理3.将归一化后的梯度值限制在0.2：如果某一个归一化后的梯度值大于0.2，则该梯度值将被直接取值为0.24.再次进行梯度归一化处理5.对每一个梯度值乘以一个系数（经验值为512.0），将浮点的梯度值转化为整数。如果乘积大于512，则该梯度值就为512，否则为乘积值。总结