看了几天的 sift 也算是对它有一了点的了解 这里描述了我对它的理解！
sift 就是为了图像特征比较做的算法．它主要就是为了用数学的方法描述：图像中特定点周围一块区域, 从而可以比较这块区域与另一块区域的差异．
下面是详细一点讲述如何描述这个数学方法:
1. 数据结构: 这个区域在sift中选的是 4*4 也就是16个点或者说区域．然后按8个方向进行直方图统计． 晕了吧！
double feature[4][4][8]; 其实就是它..... (0,0)-(3,3) 区域内 8个不同方向的值累加起来
2. 再说它的特性： 位置、尺度以及方向 的不变性 (这个好专业，更晕)
解释一下： 位置不变,就是说， 你不可能把图像每一点都弄成特征点，所以你要找一个有代表性的点，而这个点，不管用什么图像都要可以提取出来．
(其实可以不用，多提一些，总有一些特征点相同．) 就是说二张图像有重合部分，你提出的二张重合部分的特征点要一样，不然如何比较呢．
尺度不变： 二张图像，拍的桌比，有可能大，有可能小，所以你得把这情况考虑到．做法就是 把图像多复制几份，然后放大缩小，这样就可以了
方向不变: 就是处理对同一个桌子拍照有可能手一抖，相机拿歪了， 这情况． SIFT 的处理就是选方向(直方图，最大的 80%方向，可能有很多所以要把这个点复制几份) ，然后以这个方向做１中所说的特征提取．
还有什么光照不变: 专业讲法就是 用那个什么 DOG金字塔． 讲白点，就是用 图像的梯度图来做....(什么是梯度？ 就是 (x1 - x0) + (y1 -y0) ）看不懂就看下图像处理基础吧！
3. 这样几个问题就都解决了．如果你想加上什么仿射变性，也无非就是把图像的缩放的2*2缩放矢量，变成 3*3图像变换矢量.
我这里讲的简单，但实际实现还是有很多细节问题要处理的．比如说什么 dog 算子对梯度值敏感，为什么要模糊，之类，只要理解了就比较好处理了．不过不理解为什么用高斯模糊，为了高大上吗？ 理解了就比较好编程了， 不再用看 opencv 里面 那高深的源码． 真心头晕！