我是计算机视觉的新手，并开始学习计算机视觉社区中非常受欢迎的主题，即SIFT。但我对一个实现细节感到困惑：
在检测到关键点之后，我们必须构造4乘4的局部直方图，作为最终的SIFT描述符，对吧？每个局部直方图包含4乘4像素的局部邻域的方向。总的来说，我们有16次16等于256像素，这是在关键点周围的邻域内。所以这个邻域是一个16乘16的像素网格。
但这个社区如何详细确定？邻域是否根据关键点的方向旋转？这个256像素邻域内的像素是否根据检测到关键点的比例而分开？
感谢所有人的帮助！
答案 0 :(得分：0)
首先，以多个尺度提取SIFT关键点。使用相应的比例来计算描述符。所以，我不会说“像素”，因为它可能是模棱两可的。对于你的问题，我想引用original paper（第6.1节）：
首先是图像渐变幅度 和关键点在关键点位置周围采样，使用的比例 关键点选择图像的高斯模糊水平。
为了实现定位 不变性，描述符的坐标和梯度方向相对旋转 关键点方向。
高斯加权函数，σ等于描述符窗口宽度的一半 用于为每个采样点的大小分配权重。
我希望这能回答你的问题。如果不清楚，请不要犹豫。