我们有时候在看一件事物的时候，无论物体离我们多远，或者说角度怎么变化，我们好像都可以大概分辨出是什么东西或者人，这是什么原因呢？主要是因为事物本身局部具有一些稳定的特征，他们具有不变性（亮度，形状，尺度等）。只要抓住这些特征，就很容易辨认出物体，那计算机是怎么抓住这些特征的呢。在图像处理中，使用SIFT（Scale Invariant Feature Transform）算法来获取这些特征图像特征。

此方法由David Lowe于1999年发表于ICCV(International Conference on Computer Vision)，并经过5年的整理和完善，在2004年发表于IJCV(International journal of computer vision)。由于在此之前的目标检测算法对图片的大小、旋转非常敏感，而SIFT算法是一种基于局部兴趣点的算法，因此不仅对图片大小和旋转不敏感，而且对光照、噪声等影响的抗击能力也非常优秀，因此，该算法在性能和适用范围方面较于之前的算法有着质的改变。这使得该算法对比于之前的算法有着明显的优势，所以，一直以来它都在目标检测和特征提取方向占据着重要的地位。

Sifts算法主要有个流程组成：

DOG（高斯差分）尺度空间的极值检测，

特征点定位

特征方向赋值

特征点描述

先来说一下什么叫尺度空间，我们知道，人的眼睛看一张图像，会随着距离的变化而变化（距离越远，越模糊），而不管距离远景，我们都能抓住事物的不变特征。所以我们需要实现模拟现实中图像在人的眼中随着距离变化的效果（越远图像越小、模糊，），计算机中则用尺度空间来模拟距离的远近效果。

模糊程度通常是通过高斯模糊来创建，当我们对原图像使用高斯模糊创建了一组图像后，就相当于创建了一个尺度空间，通过图像的模糊程度来模拟人在距离物体由远到近时物体在视网膜上成像过程，距离物体越近其尺度越大图像也越模糊，使用不同的参数，模糊图像（分辨率不变），是尺度空间的另一种表现形式。公式如下：不解释，不深究，具体去了解高斯模糊的知识。

不同σ的高斯函数决定了对图像的平滑程度，越大的σ值对应的图像越模糊。