SIFT變換

1、SIFT特徵的定義 SIFT特徵（Scale-in 2、SIFT特徵的主要特點

1、SIFT特徵的定義
SIFT特徵（Scale-invariant feature transform，尺度不變特徵轉換)是一種電腦視覺的算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、鏇轉不變數，此算法由 David Lowe 在1999年所發表，2004年完善總結。其套用範圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。此算法有其專利，專利擁有者為 英屬哥倫比亞大學。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和鏇轉無關。 對於光線、噪聲、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特征數據庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速準確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和鏇轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的複雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；
對於16*16的關鍵點鄰域和4*4的子區域，在處理梯度幅度時都進行了類似於高斯函式的加權處理，強化了中心區域，淡化了邊緣區域的影響，從而提高了算法對幾何變形的適應性；
該方法不僅對通用的線性光照模型具有不變性，而且對複雜的光照變化亦具有一定的適應性。關於這部分內容的細節，可參看文獻“Distinctive Image Features from Scale-Invariant Keypoints”
SIFT算法的特點：1. SIFT特徵是圖像的局部特徵，其對鏇轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性；2. 獨特性（Distinctiveness）好，信息量豐富，適用於在海量特徵資料庫中進行快速、準確的匹配；3. 多量性，即使少數的幾個物體也可以產生大量的SIFT特徵向量；4. 高速性，經最佳化的SIFT匹配算法甚至可以達到實時的要求；5. 可擴展性，可以很方便的與其他形式的特徵向量進行聯合。
3、SIFT的發展歷程
SIFT是一種基於特徵的配準方法。SIFT特徵匹配算法是 DavidG.Lowe在2004年總結了現有的基於不變數技術的特徵檢測方法的基礎上，提出的一種基於尺度空間的、對圖像縮放、鏇轉甚至仿射變換保持不變性的特徵匹配算法。該算法匹配能力較強，能提取穩定的特徵，可以處理兩幅圖像之間發生平移、鏇轉、仿射變換、視角變換、光照變換情況下的匹配問題，甚至在某種程度上對任意角度拍攝的圖像也具備較為穩定的特徵匹配能力，從而可以實現差異較大的兩幅圖像之間的特徵的匹配.
Mikolajczyk和Schmid針對不同的場景，對光照變化、圖像幾何變形、解析度差異、鏇轉、模糊和圖像壓縮等6種情況，就多種最具代表性的描述子(如SIFT，矩不變數，互相關等10種描述子)進行了實驗和性能比較，結果表明，在以上各種情況下，SIFT描述子的性能最好。