我們有時(shí)候在看一件事物的時(shí)候，無論物體離我們多遠(yuǎn)，或者說角度怎么變化，我們好像都可以大概分辨出是什么東西或者人，這是什么原因呢？主要是因?yàn)槭挛锉旧砭植烤哂幸恍┓€(wěn)定的特征，他們具有不變性（亮度，形狀，尺度等）。只要抓住這些特征，就很容易辨認(rèn)出物體，那計(jì)算機(jī)是怎么抓住這些特征的呢。在圖像處理中，使用SIFT（Scale Invariant Feature Transform）算法來獲取這些特征圖像特征。

此方法由David Lowe于1999年發(fā)表于ICCV(International Conference on Computer Vision)，并經(jīng)過5年的整理和完善，在2004年發(fā)表于IJCV(International journal of computer vision)。由于在此之前的目標(biāo)檢測(cè)算法對(duì)圖片的大小、旋轉(zhuǎn)非常敏感，而SIFT算法是一種基于局部興趣點(diǎn)的算法，因此不僅對(duì)圖片大小和旋轉(zhuǎn)不敏感，而且對(duì)光照、噪聲等影響的抗擊能力也非常優(yōu)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(zhì)的改變。這使得該算法對(duì)比于之前的算法有著明顯的優(yōu)勢(shì)，所以，一直以來它都在目標(biāo)檢測(cè)和特征提取方向占據(jù)著重要的地位。

Sifts算法主要有個(gè)流程組成：

DOG（高斯差分）尺度空間的極值檢測(cè)，

特征點(diǎn)定位

特征方向賦值

特征點(diǎn)描述

先來說一下什么叫尺度空間，我們知道，人的眼睛看一張圖像，會(huì)隨著距離的變化而變化（距離越遠(yuǎn)，越模糊），而不管距離遠(yuǎn)景，我們都能抓住事物的不變特征。所以我們需要實(shí)現(xiàn)模擬現(xiàn)實(shí)中圖像在人的眼中隨著距離變化的效果（越遠(yuǎn)圖像越小、模糊，），計(jì)算機(jī)中則用尺度空間來模擬距離的遠(yuǎn)近效果。

模糊程度通常是通過高斯模糊來創(chuàng)建，當(dāng)我們對(duì)原圖像使用高斯模糊創(chuàng)建了一組圖像后，就相當(dāng)于創(chuàng)建了一個(gè)尺度空間，通過圖像的模糊程度來模擬人在距離物體由遠(yuǎn)到近時(shí)物體在視網(wǎng)膜上成像過程，距離物體越近其尺度越大圖像也越模糊，使用不同的參數(shù)，模糊圖像（分辨率不變），是尺度空間的另一種表現(xiàn)形式。公式如下：不解釋，不深究，具體去了解高斯模糊的知識(shí)。

不同σ的高斯函數(shù)決定了對(duì)圖像的平滑程度，越大的σ值對(duì)應(yīng)的圖像越模糊。