未使用包，python源碼實現(xiàn)。 SIFT 尺度不變特征轉換(Scale-invariant feature transform或SIFT)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征，它在空間尺度中尋找極值點，并提取出其位置、尺度、旋轉不變量，此算法由 David Lowe在1999年所發(fā)表，2004年完善總結。 其應用范圍包含物體辨識、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。 局部影像特征的描述與偵測可以幫助辨識物體，SIFT 特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對于光線、噪聲、些微視角改變的容忍度也相當高?；谶@些特性，它們是高度顯著而且相對容易擷取，在母數(shù)龐大的特征數(shù)據庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特征描述對于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物體特征就足以計算出位置與方位。在現(xiàn)今的電腦硬件速度下和小型的特征數(shù)據庫條件下，辨識速度可接近即時運算。SIFT特征的信息量大，適合在海量數(shù)據庫中快速準確匹配。 SIFT算法的特點有： 1. SIFT特征是圖像的局部特征，其對旋轉、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(wěn)定性； 2. 獨特性（Distinctiveness）好，信息量豐富，適用于在海量特征數(shù)據庫中進行快速、準確的匹配； 3. 多量性，即使少數(shù)的幾個物體也可以產生大量的SIFT特征向量； 4. 高速性，經優(yōu)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征向量進行聯(lián)合。 SIFT算法可以解決的問題： 目標的自身狀態(tài)、場景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準/目標識別跟蹤的性能。而SIFT算法在一定程度上可解決： 1. 目標的旋轉、縮放、平移（RST） 2. 圖像仿射/投影變換（視點viewpoint） 3. 光照影響（illumination） 4. 目標遮擋（occlusion） 5. 雜物場景（clutter） 6. 噪聲 SIFT算法的實質是在不同的尺度空間上查找關鍵點(特征點)，并計算出關鍵點的方向。SIFT所查找到的關鍵點是一些十分突出，不會因光照，仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區(qū)的亮點及亮區(qū)的暗點等。 Lowe將SIFT算法分解為如下四步： 1. 尺度空間極值檢測：搜索所有尺度上的圖像位置。通過高斯微分函數(shù)來識別潛在的對于尺度和旋轉不變的興趣點。 2. 關鍵點定位：在每個候選的位置上，通過一個擬合精細的模型來確定位置和尺度。關鍵點的選擇依據于它們的穩(wěn)定程度。 3. 方向確定：基于圖像局部的梯度方向，分配給每個關鍵點位置一個或多個方向。所有后面的對圖像數(shù)據的操作都相對于關鍵點的方向、尺度和位置進行變換，從而提供對于這些變換的不變性。 4. 關鍵點描述：在每個關鍵點周圍的鄰域內，在選定的尺度上測量圖像局部的梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。 本文沿著Lowe的步驟，參考Rob Hess及Andrea Vedaldi源碼，詳解SIFT算法的實現(xiàn)過程。 未使用包，python源碼實現(xiàn)。