Blob / Binary Large Object，图像中具有某种特征，与周围有明显差异的区域。
- 通常是具有相同颜色、亮度的近似圆块。
尺度空间斑点检测
Scale-space blob detector
构建尺度空间
图像经过一系列不同尺度的平滑（通常是高斯滤波）处理，生成一系列的图像（即图像金字塔），代表了不同的尺度。
下一步目标：找到尺度共变特征
「拉普拉斯算子」：对近似圆形的结构（如斑点）具有较强的响应
- 知识点回顾： 「 拉普拉斯算子」
- 如果拉普拉斯的尺度与 blob 的尺度 “匹配”，则响应值将在 blob 的中心达到最大
目标转变为：检测斑点的中心
这里的响应函数为：给定一个点，以这个点为圆心做圆，当随着圆越来越大时，能够得到上面这条响应曲线。
然而随着尺度增大，拉普拉斯响应会衰减，即无法在较大的尺度下准确衡量斑点强度。
- 左图：圆的半径达到 时，响应值达到最大
- 右图：圆的半径达到 时，响应值达到最大
为了避免响应衰减的问题，引入以下方法：
拉普拉斯-高斯算子
Laplacian of Gaussian, LoG
在应用拉普拉斯算子之前，先对图像进行高斯平滑。
尺度归一化
Scale Normalization
阈值化
非极大值抑制
SIFT
Scale Invariant Feature Transform，尺度不变特征变换
它可以应用于检测多种特征点 (key points)，而不是只专门检测斑点。
- 在「尺度不变性」基础上，该算法支持「旋转不变性」。
构建尺度空间
差分高斯
Difference of Gaussians, LoG
上述 Blob 检测的计算量很大，需要得到很多组不同尺度的拉普拉斯核，对图像每个像素点进行遍历求卷积，然后计算满足局部最大点的位置。
因此这里进行算法优化。
- LoG 与 DoG 的函数曲线形近，两者对图像的卷积效果类似。
通过两个不同尺度的高斯函数相减 → 得到候选的「局部极值点」
阈值化
非极大值抑制
得到最后的一组特征点
描述符生成
- 将特征点周围区域分成多个子区域（通常为 的网格），计算每个子区域的梯度方向直方图。每个子区域的直方图有多个方向（通常为 个方向），每个方向的直方图值表示该方向上的梯度强度。
- 每个直方图存储了该区域内所有像素的梯度方向的频率分布。
- 连接每个区域的直方图，形成一个「 维的描述符向量」，不受旋转影响。
- 为了防止图像亮度变化对描述符的影响，通常会对生成的描述符进行标准化处理。包括去均值、归一化和截断等。
特征点匹配
通过计算描述符之间的相似度，找到多张图像的相同区域，从而实现图像的对齐等应用。