我們有時候在看一件事物的時候，無論物體離我們多遠，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？主要是因為事物本身局部具有一些穩(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，就很容易辨認出物體，那計算機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檢測算法對圖片的大小、旋轉非常敏感，而SIFT算法是一種基于局部興趣點的算法，因此不僅對圖片大小和旋轉不敏感，而且對光照、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的改變。這使得該算法對比于之前的算法有著明顯的優(yōu)勢，所以，一直以來它都在目標檢測和特征提取方向占據(jù)著重要的地位。

Sifts算法主要有個流程組成：

DOG（高斯差分）尺度空間的極值檢測，

特征點定位

特征方向賦值

特征點描述

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，會隨著距離的變化而變化（距離越遠，越模糊），而不管距離遠景，我們都能抓住事物的不變特征。所以我們需要實現(xiàn)模擬現(xiàn)實中圖像在人的眼中隨著距離變化的效果（越遠圖像越小、模糊，），計算機中則用尺度空間來模擬距離的遠近效果。

模糊程度通常是通過高斯模糊來創(chuàng)建，當我們對原圖像使用高斯模糊創(chuàng)建了一組圖像后，就相當于創(chuàng)建了一個尺度空間，通過圖像的模糊程度來模擬人在距離物體由遠到近時物體在視網(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。

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