建议搭配原博主的视频食用：
一.定义:
尺度不变特征转换(SIFT, Scale Invariant Feature Transform)是图像处理领域中的一种局部特征描述算法. 该方法于1999年由加拿大教授David G.Lowe提出，申请了专利，其专利属于英属哥伦比亚大学. SIFT专利在2020年3月17日之后到期，现在只需更新cv版本即可免费使用.
SIFT算法不仅只有尺度不变性，当旋转图像，改变图像亮度，移动拍摄位置时，仍可得到较好的检测效果。
二.算法应用：
手机全景图拍摄
三.算法步骤：
1.建立高斯差分金字塔
高斯金字塔的建立：
层：同样大小的图片(不同方差的高斯核（即不同尺度）对原图像进行卷积得到的)
组：由好几层同样大小图片构成.第二组的图片是第一组降采样后（隔点取点），再使用不同方差的高斯核（即不同尺度）对原图像进行卷积得到的。
组数：
M,N为原图像的宽、高。
层数：（你希望提取多少张图像（n）的特征）后文简称目标图片数
（最前面和最后免的图片没办法取极值。5张图片剩4张，所以+3）
论文中经验得出。
高斯差分金字塔：
同一组相邻的两层像素点对应相减。（5张图片剩4张）
高斯卷积核参数：
摄像机拍摄图片并非完全清晰，自带模糊尺度，经验值认为0.5
希望第一次高斯卷积后模糊尺度达到1.6
所以可得：
即高斯核使用1.52的尺度去卷积。（高斯核的性质：用0.5尺度高斯核卷积，再用1.52尺度高斯核卷积，相当于直接用1.6尺度高斯核卷积。）
得到第n+1层，也就是，隔点取点得到下一组的第一层。
得到第n+1层，也就是，隔点取点得到下一组的第一层。
......
2.关键点（key points）位置确定（最关键）
极值（最大、最小）：关键点：有稳定性质，包含很多信息的点。
2.1 阈值化：
判断极值点是否是噪声（是否足够稳定）
像素点的绝对值大于0.5*T和目标图片数
T是自己设置的，原始论文中设置为0.04.
精确定位极值点
2.2 在高斯差分金字塔中找极值
找到的极值点可能只是极值点周围的点，所以要找到亚像素位置
2.3 调整极值点位置
在检测到的极值点处做三元二阶泰勒展开：
泰勒展开：在某个点出非常好的拟合原函数，从而用原函数求得亚像素位置。
三个分量均小于0.5，认为已经收敛，停止迭代。
2.4 舍去低对比度的点
若 ，则舍去点X
2.5 边缘效应的去除
若不满足 ，舍去点X （建议
取10.0）
海森矩阵： 高斯差分金字塔中的图片对x，y进行的二阶偏导以及混合偏导。描述曲线的局部曲率。
消除边缘效率：曲率在两个方向上的曲率差不多，不然可能就是个边缘。
海森矩阵特征值和曲率成正比。
海森矩阵 取行列式值小于0，直接抛弃，两边曲率异号了。
是一个对勾函数
时对勾函数最小，
，所以对勾函数单增。
3.为关键点赋予方向：
统计 以特征点为圆心，高斯图像尺度1.5倍为半径的圆 内的所有像素的梯度方向及其梯度幅值。
并做的高斯滤波。增加权重，使得离圆心越远，尺度影响越小。投票：结果最大的叫主方向。辅方向：超过主方向百分之八十的方向。
4.构建关键点描述符
描述符（128维向量）128个数（16*8）
因为之前确定过主方向：所以具有旋转不变性。
k近邻算法 根据描述符匹配关键点
区域取多大：三线型插值、抛物线插值等
论文中选择的是三线型插值。m是取3.d有多少个小区域8.
