LoG 和 DoG（LoG 的近似值）掩码可以用作斑点检测器。一个斑点可以存在于图像中的多个位置 $(x,y)$-坐标和比例尺（一些参数；$t$）。在某些情况下，尺度空间被分成 3 个离散的“切片”并且只有“小”、“中”和“大”大小的 blob，“中等”大小的 blob 将对“小”和“小”有一些响应。大型探测器。然而，尺度与斑点尺度匹配的检测器将具有最大的响应。出于这个原因，我们希望通过确定空间和尺度坐标中的最大响应来定位 blob。

关键点最重要的特征之一是它在不同几何变换和光照下的可重复性。可重复性可确保，例如，如果您有两个相同场景的图像，大小不同且旋转角度也不同，则两个图像中的绝大多数关键点将重合，通过这种方式，您可以制作一个两者之间的“匹配”。在 SIFT 算法中，这些关键点对平移、旋转和缩放是不变的；对于每个关键点，使用 128 个分量的梯度直方图对邻域进行编码（半径与 DOG 算子的比例成正比），这样每个关键点 (x, y) 将关联一个由 128 个分量组成的向量，这矢量被称为“描述符”。这有什么用处？

对象识别：给定一组不同对象的图像，可以为每个图像存储一组描述符。当测试图像到达时，它的描述符被提取并与存储的描述符进行比较。为此，通常使用 noma-L2 或分类稀疏表示。

“部分人脸识别：一种无需对齐的方法”

场景重建：如果您有多个场景不同部分的图像，则可以根据关键点将这些图像连接起来，以重建整个场景的图像。

SIFT 在高斯差分空间中寻找局部极值。这基本上相当于对图像进行带通滤波，然后寻找极值以识别潜在的关键点。强边缘可以在该域中创建极值，因此您可以将其视为一种边缘检测技术。