一,Denxe SIFT算法
Dense SIFT算法，是一種對輸入圖像進行分塊處理，再對每一塊進行SIFT運算的特征提取過程。Dense SIFT根據可調的參數大小，來適當滿足不同分類任務下對圖像的特征表征能力；而傳統的SIFT算法則是對整幅圖像的處理，得到一系列特征點。Dense-SIFT在非深度學習的模型中，常常是特征提取的第一步。采樣的點提取SIFT描述子后，經過碼書投影，投影在同一個碼字上的采樣點都代表了一組描述子相似的點。不同的碼字（相當於直方圖的每一個bin）之間，采樣點的區分能力是不一樣的。我們以下圖圖1為例，bin2代表的是一塊很平坦的區域，於是dense采樣時，很多點產生的描述子都會投影在bin2上。而bin1，bin3，bin4分別代表一塊特有的區域，僅僅在dense采樣到自行車，大提琴和眼睛等部位時，才能夠形成類似的描述子。換而言之，bin2的重要性最低，而其他碼字的重要性都很高。
DSIFT在尋找顯著點時不是嘗試使用一個分類器判斷是否是顯著點，而是為了簡化，所有顯著點是均勻分布（equally dense across ）在圖像的各個區域的。在采樣時有個涉及不同尺度下采樣步長（pixel stride）是否應該相同的問題。窗口移動同樣的步長，在更大的尺度下，窗口要大些，這會使得相鄰窗口的重疊區域面積比率變大，從而使得采樣的冗余較小尺度下的冗余要大。當前流行的多尺度采樣方法傾向的就是這種策略。DSIFT也是使用這種策略，因為要簡單得多。
二，算法實現
1.代碼實現：
計算dsift描述子：
2.實驗結果如下：
