总结一下，SIFT和SURF之后，图像配准领域确实涌现了一大波新算法，各有千秋，看你实际应用场景选择就好。 要速度有ORB，要精度有AKAZE，要深度学习就搞SuperPoint和SuperGlue，当然了，不管啥算法，最后都离不开RANSAC的“审判”。

1. 平移不变： SIFT是局部特征，只提取关键点点附近矩形区域的sample，所以该物体移动到任何地方提取的feature都是类似的。 同时因为是划grid去提取，即便关键点稍微偏移一下feature也基本没有变化，有点类似于HOG或者CNN的pooling。 2.

SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换。SIFT特征对 旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的 局部特征。 SIFT算法利用DoG (差分高斯)来提取关键点 (或者说成特征点)，DoG的思想是用不同的尺度空间因子 (高斯正态分布的标准差σ)对图像进行平滑，然后比较平滑后 ...

“Win＋Shift＋S”选取截图区域后，松开鼠标，截图就会保存在「剪贴板」。 需要查看截屏缩略图，则使用快捷键 调出剪贴板，再点击使用： Win＋V 不需要查看截屏缩略图，则使用快捷键 直接粘贴使用： Ctrl＋V 「剪贴板」缓存文件都是“临时文件”，下次开机就没有了。

2022年8月11日 · SIFT匹配的结果 从图中可以看到，大部分的点都匹配正确，只有一个点匹配出错（出错的点也是具有高度的相似性），下面对这两步详细分析。 2.SIFT核心算法——computeKeypointsAndDescriptors computeKeypointsAndDescriptors就是SIFT的核心部分，可以细分为以下几步： 2.1 generateBaseImage：生成基础图像（放大2倍 ...

SIFT算法的实质是在不同的尺度空间上查找关键点，并计算出关键点的方向。 这些关键点一般比较突出，不会因光照、仿射变换和噪音等因素而变化，如角点、边缘点、暗区的亮点及亮区的暗点等。 SIFT算法主要步骤： Scale-space Extrema Detection——尺度空间极值检测

该方法的原创性体现在以下四个方面： 采用了一个渐进的采样策略，使得网络在有限步内能够获得大量的样本； 针对块匹配问题，描述子对描述子间的相对距离给予更高的权重； 在中间的特征层施加了额外的监督； 描述子的压缩性也被纳入了考虑范围。 HardNet 第二个工作是HardNet，受到Lowe的SIFT的 ...

SIFT虽然是04年就提出来了，但到目前为止效果仍然非常好。 得益于鲁棒性很高的128维特征描述符，其现在有很多应用，如用在SFM、图像拼接上等。 但缺点就是太鲁棒了，受手工定义特征的原因，其提取的特征比较其它特征点，数量会较少，速度较慢。

SIFT、HOG、LBP，这三者都属于局部特征。 一、三者原理上的区别 1.SIFT：Scale-Invariant Feature Taransform，尺度不变特征变换。 尺度空间的极值检测：搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和旋转鲁棒性较强的点。

所谓的“1NN”匹配，即是对于图像im1中的某个SIFT特征点point1，通过在im2图像上所有SIFT关键点查找到与point1最近的SIFT关键点，重复这个过程，即可得到图像im1中所有的特征点在im2中的匹配点 (最近邻，1NN)。