Sift算法-----part3
前言：知道現在，我們已經創建了尺度空間，並利用它計算出高斯差，這些是用來計算尺度不變的LOG，這些工作將會產生關鍵點。
找到關鍵點，有兩個步驟：
1、在DOG圖像中找到最大值和最小值的分佈情況。
2、找到最大值和最小值的亞像素點。
DOG圖像中的最大值和最小值分佈
第一步就是粗略地找出最大值和最小值的分佈情況。這很簡單，你遍歷每一個像素點和它的所有相鄰點。這種檢查不只在當前圖像中，同時包括它在一個容器中的上一層和下一層圖片。就像這樣：
x表示當前像素點，綠色點表示x的周圍像素點，如果x比周圍26個點都大或者小，那麼x點就是關鍵點。
通常一個非關鍵點的像素點，不需檢查多個，檢查幾個像素點就會丟棄它。
注意那些像素點不用在一個容器中的最底層和最高層檢查 ，他們一般不具有足夠的相鄰像素點去比較，所以不用去搭理他們。
一旦，這些完成任務，這些受到標記的點是近似的最大值和最小值，這些點使趨近最大值或者最小值是因爲他們幾乎都在一個像素點內。但是，我們不能排除那些在像素點之間數據，所以我們必須算出那些亞像素點。
紅色的點表示像素點，而綠色點表示其中的極大值
找到亞最大(最小)像素點(http://www.china-vision.net/technology/soft/200708/6403.html)：
使用這些已知的像素點數據，亞像素點的值能夠被計算出。這能夠對近似關鍵點使用taylor表達式求解出來。
數學上，他是這樣定義的：
我們能夠很容易地計算出這個方程式的極點，求解我們能得到亞像素的點。這些亞像素點增加了匹配的成功率和算法的穩定性。
實例：
SIFT的作者推薦2個這樣的極值圖，因此我們需要4張DOG圖片，因而在一個容器中我們需要5張圖片。
總結：
我們已經能夠計算出DOG圖片中的最大值和最小值，即關鍵點，下一步我們將對這些關鍵點進行檢查，排除某些關鍵點，且聽下回分解！
任何疑問或者建議，請留下評論！謝謝！O(∩_∩)O~
