多尺度特征匹配（ORB、SIFT等）及图像金字塔相关技术疑问

1. 同一特征多尺度检测的处理与描述子生成尺度选择 #

• 采用跨尺度极值筛选：在图像金字塔的相邻三层（当前层、上一层、下一层）中，每个候选特征点需要和自身所在尺度的8个邻域点、上下相邻尺度对应位置的9个邻域点（总计26个点）对比响应值。只有当该点是这26个点中的局部极值（响应最大或最小，比如SIFT使用DoG响应判断），才会被保留，以此过滤同一特征在多尺度下的重复检测结果。
• 描述子生成尺度直接选用极值点所在的金字塔层对应尺度。比如极值点出现在缩放因子为0.5的层，就用该层图像，以特征点为中心提取对应尺度的局部图像块（如SIFT取16×16的块，对应原始图像的物理区域大小为16×0.5），再通过计算梯度直方图生成描述子。

2. 不同尺度间的特征关联与坐标转换 #

• 特征关联依靠记录尺度元数据：每个检测到的特征点都会附带自身的尺度信息（如金字塔层数、缩放因子）。匹配时直接对比两个特征点的描述子即可——因为描述子本身就是在各自对应尺度下生成的，已经完成尺度归一化，无需额外在尺度间做复杂关联操作。
• 坐标转换按需进行：如果后续任务（如图像拼接、三维重建）需要用到原始图像坐标，必须转换。比如在0.5尺度检测到的特征点坐标(x,y)，转换回原始图像的坐标为(x×2, y×2)；同时特征对应的尺度参数（如高斯核σ）也要乘以缩放因子的倒数，确保对应原始图像中的同一物理区域。若仅完成特征匹配本身，则无需转换坐标。

内容的提问来源于stack exchange，提问作者FourierFlux