我读过Lowe的论文（＆＃39; 99＆amp;＆＃39; 04），我想说我理解了他们中的大多数。我在youtube上看到了所有与SIFT相关的类，但是没有明确说明为什么我们要使用八度音程和图层？
我知道你通过计算不同sigma的~Laplacian然后你重新采样到分辨率的一半来获得下一个八度音，然后再次〜计算相同的sigmas的~Laplacian，在同一个八度音阶中获得更多的图层。第一个八度音阶。然后你就像你想做的那样多次这样做。
最初，我认为您使用图层（多个sigma）在一个图像上查找不同大小的要素，然后重新采样，以便为每个要素计算每个八度音阶（重新采样级别）的描述符，以便您获得不同比例的描述符，这些描述符可能更好地匹配另一个图像中类似比例的描述符。显然，我错了，每个特征只计算一个描述符，因为它是根据梯度方向计算的，所以无论如何它都是不变的。
但是这让我想知道，为什么我们需要重新采样，为什么不能或者不应该使用大量的层和一个八度音程（不重新采样）。这只是因为重新采样更便宜吗？如果是，为什么我们不重新取样？
我使用OpenCV进行了一项实验，以了解检测方法和检测结果。以下是我的观察：
1个八度，1层=＆gt;所有功能都具有完全相同的大小，如预期的那样，找到263个匹配
1个八度，2个层=＆gt;找到了1o1l测试的所有功能，以及其他一些比小的功能大约x1.35的功能，找到了326个匹配。
2个八度，1个层=＆gt;发现1o1l测试中的大多数功能（可能全部），加上其他一些x2一样大的功能，自从我重新采样一半，发现318次匹配后再次出现这种功能。
2个八度，2层=＆gt;功能具有x1大小，x1.35或x2大小。我无法找到任何x2.7尺寸，正如我预期的那样。只找到299场比赛。我认为现在有更多更接近的层，更多的东西看起来太相似而且没有通过比率测试，所以更多层，实际上可能会减少连接点的数量。
注意：〜符号表示排序。当我知道它不是确切的解释时，我会使用它，但确切的解释会更长，并且它不会为问题添加任何值。