本文介紹了python opencv之SIFT算法示例，分享給大家，具體如下：

目標：

學習SIFT算法的概念
學習在圖像中查找SIFT關鍵的和描述符

原理：

（原理部分自己找了不少文章，內容中有不少自己理解和整理的東西，為了方便快速理解內容和能夠快速理解原理，本文盡量不使用數學公式，僅僅使用文字來描述。本文中有很多引用別人文章的內容，僅供個人記錄使用，若有錯誤，請指正出來，萬分感謝）

之前的harris算法和Shi-Tomasi 算法，由于算法原理所致，具有旋轉不變性，在目標圖片發生旋轉時依然能夠獲得相同的角點。但是如果對圖像進行縮放以后，再使用之前的算法就會檢測不出來，原理用一張圖表示（圖1）：

（harris算法和shi-tomasi算法都是基于窗口中像素分布和變化的原理，在圖像放大且窗口大小不發生變化的時，窗口中的像素信息則會有很大的不同，造成無法檢測的結果）

SIFT特性：

獨特性，也就是特征點可分辨性高，類似指紋，適合在海量數據中匹配。 多量性，提供的特征多。 高速性，就是速度快。 可擴展，能與其他特征向量聯合使用。

SIFT特點：

旋轉、縮放、平移不變性 解決圖像仿射變換，投影變換的關鍵的匹配 光照影響小 目標遮擋影響小 噪聲景物影響小

SIFT算法步驟：

尺度空間極值檢測 關鍵點定位 關鍵點方向參數 關鍵點描述符 關鍵點匹配

尺度空間極值檢測：

尺度空間的個人理解：
你找一張分辨率1024×1024圖片，在電腦上觀看，十分清晰，但是圖片太大。現在把這圖片反正photoshop上，將分辨率改成512×512,圖片看著依然很清晰，但是不可能像1024×1024的畫面那么精細，只不過是因為人眼構造的原因，512×512圖片依然能讓你分辨出這是個什么東西。

粗俗點說，尺度空間，就相當于一個圖片需要獲得多少分辨率的量級。如果把一個圖片從原始分辨率到，不停的對其分辨率進行減少，然后將這些圖片摞在一起，可以看成一個四棱錐的樣式，這個東西就叫做圖像金字塔（如下圖，圖2）。

再回到尺度空間，在攝像頭中，計算機無法分辨一個景物的尺度信息。而人眼不同，除了人大腦里已經對物體有了基本的概念（例如正常人在十幾米外看到蘋果，和在近距離看到蘋果，都能認出是蘋果）以外，人眼在距離物體近時，能夠獲得物體足夠多的特性，在距離物體遠時，能夠或略細節，例如，近距離看一個人臉能看到毛孔，距離遠了看不到毛孔等等。