数字图像处理学习笔记（二）：SIFT（尺度不变特征变换）算法
一、概述：
提到特征点算法，首先就是大名鼎鼎的SIFT算法了。SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，2004年由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。
SIFT算法分为以下五个过程：
1）尺度空间的搭建；（高斯差分金字塔的构建）
2）尺度空间中候选极值点的检测；（ LoG近似DoG找到关键点<检测DOG尺度空间极值点>）
3）对上一过程中得出的候选极值点进行筛选，去除低对比度的点和不稳定的边缘响应点，得到真正的特征点；（除去不好的特征点，本质上要去掉DoG局部曲率非常不对称的像素）
4）特征点方向分配；（给特征点赋值一个128维方向参数）
5）特征点描述。（关键点描述子的生成）
6）根据SIFT进行Match
二、参考博客
原版的英文文献：Distinctive Image Features from Scale-Invariate Keypoints
-
SIFT算法详解（高赞回答）
-
SIFT特征提取分析（高赞回答）
-
SIFT特征点提取（含源码描述，这篇把SIFT算法的整个过程描述的很清楚）
-
SIFT四部曲之——高斯滤波(高斯滤波，有利于对生成高斯差分尺度空间的理解）
-
SIFT特征匹配算法介绍——寻找图像特征点的原理
-
SIFT算法：确定特征点方向（对理解特征点方向分配很有帮助）
-
SIFT特征点描述子生成（生成特征向量）（帮助对SIFT特征点描述子生成的理解）
-
小白学习教程 之 理解SIFT（一些基本概念）
-
自己看SIFT（尺度不变特征变换）算法的一点总结
