背景：網課上面的sift特徵的講解看的我一頭霧水。然後在知乎上面找到一段比較好的通俗理解sift特徵的文字。有助於比較好的去理解這個複雜的過程。
特徵點檢出主要是用了dog，就是把影象做不同程度的高斯模糊blur，平滑的區域或點肯定變化不大，而紋理複雜的比如邊緣，點，角之類區域肯定變化很大，這樣變化很大的點就是特徵點;特徵點描述就是乙個簡單版的hog，即以檢出的特徵點為中心選16x16的區域作為local patch，這個區域又可以均分為4x4個子區域，每個子區域中各個畫素的梯度都可以分到8個bin裡面，這樣就得到了4x4x8=128維的特徵向量。
dog：首先還是貼一篇講的非常好的部落格，這裡主要是要注意下面這段話，其實也就是特徵點的最本質的特徵。
乙個點如果在dog空間本層以及上下兩層的26個領域中是最大值和最小值時，就認為該點是影象在該尺度下的乙個特徵點。
hog：那麼按照慣例也是先貼一篇講的非常不錯的部落格（奇怪為啥自己每次都能找到講的不錯的部落格呢）。然後再貼一篇講的更加詳細但是同時也是比較嚴肅比較板眼的部落格。首先，sift需要構建尺度空間。這是因為，sift特徵具有尺度不變性，即使改變旋轉角度，影象亮度或拍攝視角，仍然能夠得到好的檢測效果。所以，構建尺度空間的目的是模擬影象資料的多尺度特徵。同時在閱讀的時候產生了一些問題。
其實，scale應該是通過降取樣進行的改變，而不是通過模糊係數進行的改變。這裡也貼一篇關於降取樣和公升取樣的部落格，之前又碰到過的插值法就是在公升取樣裡面的。
然後有兩篇sift的比較好的部落格。可以看一下。還有一篇附帶了原始碼和一些更加詳細解讀的部落格，也是非常不錯的。
剩下的一些問題，這裡先做不求甚解的處理，因為還沒有接觸到**，而在理論上面又浪費了太多的時間了。
SIFT特徵匹配
影象特徵分很多種，例如顏色特徵 紋理特徵 形狀特徵 空間關係特徵等。常用的特徵為sift特徵。sift scale invariantfeaturetransform，sift 具有以下特性 1 對平移 旋轉 伸縮 亮度 遮擋和雜訊等具有良好的不變性，對視覺變化 仿射變換也有一定的穩定性。2 即使少...
SIFT區域性特徵演算法
sift scale invariant feature transform 是一種檢測區域性特徵的演算法，該演算法通過求一幅圖中的特徵點 interest points,or corner points 及其有關scale 和 orientation 的描述子得到特徵並進行影象特徵點匹配，獲得了良...
SIFT特徵提取
原文獻 1 lowe d g.distinctive image features from scale invariant keypoints c international journal of computer vision.2004 91 110.不錯的部落格 2 sift可以用來提取區域性...