一、简介
尺度不变特征转换算法（Scale-invariant feature transform，SIFT）是图像处理中经典的局部特征描述算法，广泛应用于物体识别、动作识别、影像配准、影像追踪和 3D 建模。
当不同图像尺度系统、方向相似时，可以用角检测和 MSER 作为整体图像特征。但存在尺度变化、方向旋转、光照变化和视点变化时，则需要使用 SIFT 方法提取图像中的不变特征。
SIFT 算法检测与描述影像中的局部性特征，在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
SIFT 算法的实质是在不同的尺度空间上查找关键点（特征点），计算特征点的大小、方向、尺度信息，利 用这些信息组成关键点对特征点进行描述的问题。SIFT 算法查找的关键点都是高度显著且容易获取的“稳定”特征点，如角点、边缘点、暗区的亮点以及亮区的暗点等，这些特征与大小、旋转无关，对于光线、噪声、视角改变的鲁棒性也很高。
SIFT 算法的特点是：
（1）SIFT 特征不仅具有尺度不变性，而且具有旋转不变性、亮度不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
（2）独特性好，信息量丰富，适用于在海量的特征数据库中进行快速、准确的匹配；
（3）多量性，即使少数几个物体也可以产生大量的 SIFT 特征向量；
（4）高速性，优化的 SIFT 匹配算法可以满足实时要求；
（5）可扩展性，方便与其它形式的特征向量相结合。SIFT 算法比较复杂，Lowe 将其分解为四个基本步骤：
（1）尺度空间极值检测：通过高斯差分金字塔识别潜在的对于尺度和旋转不变的兴趣点。
（2）关键点的精确定位：通过模型拟合确定关键点位置和尺度。
（3）确定关键点的方向：基于图像局部的梯度方向，确定每个关键点的一个或多个方向。
（4）关键点描述：在关键点的邻域内，在选定的尺度上测量图像局部的梯度。
二、资料
youcans_的博客：
https://blog.csdn.net/youcans/article/details/126018654
