【摘要】本文主要探讨了一种基于多尺度角点改进的SIFT（Scale Invariant Feature Transform，尺度不变特征变换）算法。传统的SIFT算法在多分辨率高斯差分空间DoG（Difference-of-Gaussian）中检测极值点时，可能会产生不稳定的边缘响应点。为了解决这个问题，该改进算法引入了统一的低主曲率比值，通过删除这些不稳定的边缘响应点，提高了特征点的稳定性和准确性。同时，结合高斯空间中的角点信息，筛选后的SIFT特征点与角点共同构成了更可靠的特征点集合。
在角点检测环节，该算法利用图像区域的方差动态地确定角点检测的阈值，增强了算法的适应性，使其能够更好地应对各种场景的变化。实验结果显示，改进后的算法能够提取更密集且匹配度高的特征点，对主曲率比值的变化不敏感，提高了整体的匹配性能。
【关键词】特征提取；SIFT算法；角点检测；改进优化
SIFT算法是图像处理领域的一种经典特征提取方法，它具有尺度不变性、旋转不变性和部分遮挡容忍性等优点。然而，原始的SIFT算法在特征点检测阶段会遇到边缘响应点的问题，这些点可能导致匹配错误。为了解决这一问题，本研究提出了一种新的策略，即利用主曲率比值筛选特征点，并结合角点信息，有效地过滤掉边缘响应点。
传统的SIFT算法中，DoG算子用于检测图像中的局部极值点，但这些点可能包含边缘响应点。为消除这些不稳定点，通常采用主曲率比值作为判断标准，大于阈值的点被视为边缘响应点。然而，合适的阈值设定很关键，过高或过低都会影响特征点的质量。本文提出的改进算法通过统一的低主曲率比值来删除边缘响应点，避免了阈值选择的困扰。
此外，论文中还提到动态调整角点检测阈值的方法，根据图像区域的方差变化来确定合适的阈值，这使得算法能够更好地适应不同图像的特性，增强了检测的鲁棒性。通过这种方法，算法能够在保持高匹配度的同时，提高特征点的密度，从而提高在图像匹配、识别和跟踪等应用中的性能。
基于多尺度角点的改进SIFT算法通过改进点检测策略和动态阈值设置，提升了特征点的质量和匹配效果，为图像处理和计算机视觉任务提供了更为稳健的特征提取工具。这一改进对于后续的特征匹配、目标识别等应用场景有着显著的提升作用，也为特征提取领域的研究提供了一个新的思路。
