Sift算法-----part3
前言：知道现在，我们已经创建了尺度空间，并利用它计算出高斯差，这些是用来计算尺度不变的LOG，这些工作将会产生关键点。
找到关键点，有两个步骤：
1、在DOG图像中找到最大值和最小值的分布情况。
2、找到最大值和最小值的亚像素点。
DOG图像中的最大值和最小值分布
第一步就是粗略地找出最大值和最小值的分布情况。这很简单，你遍历每一个像素点和它的所有相邻点。这种检查不只在当前图像中，同时包括它在一个容器中的上一层和下一层图片。就像这样：
x表示当前像素点，绿色点表示x的周围像素点，如果x比周围26个点都大或者小，那么x点就是关键点。
通常一个非关键点的像素点，不需检查多个，检查几个像素点就会丢弃它。
注意那些像素点不用在一个容器中的最底层和最高层检查 ，他们一般不具有足够的相邻像素点去比较，所以不用去搭理他们。
一旦，这些完成任务，这些受到标记的点是近似的最大值和最小值，这些点使趋近最大值或者最小值是因为他们几乎都在一个像素点内。但是，我们不能排除那些在像素点之间数据，所以我们必须算出那些亚像素点。
红色的点表示像素点，而绿色点表示其中的极大值
找到亚最大(最小)像素点(http://www.china-vision.net/technology/soft/200708/6403.html)：
使用这些已知的像素点数据，亚像素点的值能够被计算出。这能够对近似关键点使用taylor表达式求解出来。
数学上，他是这样定义的：
我们能够很容易地计算出这个方程式的极点，求解我们能得到亚像素的点。这些亚像素点增加了匹配的成功率和算法的稳定性。
实例：
SIFT的作者推荐2个这样的极值图，因此我们需要4张DOG图片，因而在一个容器中我们需要5张图片。
总结：
我们已经能够计算出DOG图片中的最大值和最小值，即关键点，下一步我们将对这些关键点进行检查，排除某些关键点，且听下回分解！
任何疑问或者建议，请留下评论！谢谢！O(∩_∩)O~
