使用SIFT技术进行特征/斑点检测的第一原理方法！

图像检测，也就是特征检测，对于计算机来说是非常非常困难的，事实上，可以说是难以置信的困难，因为计算机只能得出一个概率结果，而人类不知何故对图片有一种直观的理解(即使其中很多都涉及繁重的神经计算，如果你挖洞得更深一点的话)。

公平地说，给图像贴标签的是人，而计算机需要从中学习，所以计算机总是要跟上！

有了这个免责声明，让我们来讨论SIFT比例不变特征变换，这是一种神奇的技术，可以从图像中提取特征，进行比较，如果需要，可以正确对齐，甚至可以进行图像拼接。

之所以神奇，是因为计算机只会说二进制(0或1)，简单的数学(addition/subtraction/division/multiplication)和图像也只是由数字组成(当存储在计算机上时)。因此，计算机需要以某种方式理解这些图像中的数字，并理解与我们人类相关的特征(因为这些特征与计算机无关：)

这是一个由世界上一些最优秀的研究科学家花了20多年时间进行的研究领域。

目标是比较两张不相同的相似图片之间的相似特征。

可能会有比例的变化，可能会有图像的旋转，可能会有照明上的差异，等等。

当两幅图像被馈送到SIFT算法时，它首先在不同的尺度上识别所谓的斑点或感兴趣的区域(这对于照顾尺度很重要)。第二步是识别图片之间的对准，即方向/对准的感觉，然后是比例因子，然后最后我们可以比较这些感兴趣的斑点/区域并查看它们是否匹配，然后并且只有在那时我们才完成特征匹配/图像检测和比较。

现在让我们复习一下所有步骤的数学知识

第一步：识别不同尺度的斑点。

对于这一步，我们在整个图像上使用二维高斯过滤平滑，并在不同的σ(σ是高斯方差的值)上提取归一化的对数高斯值，碰巧，这些高斯在识别不同尺度的斑点时非常有用。一些斑点可以识别为1西格玛，其他斑点可以识别为N西格玛，依此类推。

高斯滤波器有一个有趣的特性，对于不同尺度的两幅图像上的同一个斑点，σ(峰值出现的位置)恰好与可用于在两张图片中识别同一个斑点的尺度成正比，在这方面，高斯滤波器感觉像是上帝赐予的：)

下一步是确定方向：

为了识别方向(也就是说，一张图片与另一张图片相比可能会倾斜)，我们对整个图片中的每个像素都使用了像“Canny Edge Detection”这样的边缘检测技术，在像素级别识别边缘后，我们绘制了方向直方图(大约8个不同的方向与像素计数)。计数最大的方向将被视为斑点的方向。

注意：即使这种技术可能不能真正识别斑点的方向，但如果两张不同图片的方向是相同的，这对于比较它们的方向就足够好了。

最后一步是“相似斑点识别”(在校正了比例和方向之后)

为了正确识别斑点(以自动方式，当然无需人工干预)，我们需要为每个斑点提取某种类型的唯一签名。原来，我们也可以使用方向直方图(我们之前创建的)作为签名。

但是，这一次，我们在单个图表中绘制完整斑点(其全部4个象限)的方向直方图。我们将考虑将整个方向直方图作为斑点的签名。请注意，此签名函数只有在正确对齐两张图片之后才能使用(上一步很有用)

所以SIFT算法已经达到了我们的预期目的，它帮助我们识别有趣的特征，然后帮助识别方向，最后在不同的图片上识别出准确的斑点。

感谢您的阅读！

最初发表于https://www.linkedin.com/pulse/first-principles-approach-feature-blob-detection-using-krishna-yogi/https://www.linkedin.com/pulse/first-principles-approach-feature-blob-detection-using-krishna-yogi/