SIFT特徵 (Scale-invariant feature transform，尺度不變特徵轉換) 是一種計算機視覺的算法，用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。
此算法由 David Lowe在1999年所發表，2004年完善總結。其套用範圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。此算法有其專利，專利擁有者為 英屬哥倫比亞大學。
基本介紹
- 中文名：SIFT變換
- 外文名：Scale-invariant feature transform
- 全稱：尺度不變特徵轉換
- 類屬：計算機視覺的算法
簡介,主要特點,發展歷程,
簡介
SIFT特徵 (Scale-invariant feature transform，尺度不變特徵轉換) 是一種計算機視覺的算法，用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。
此算法由 David Lowe 在1999年所發表，2004年完善總結。其套用範圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。此算法有其專利，專利擁有者為 英屬哥倫比亞大學。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。 對於光線、噪聲、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速準確匹配。
主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的複雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，
運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；
該方法不僅對通用的線性光照模型具有不變性，而且對複雜的光照變化亦具有一定的適應性。關於這部分內容的細節，可參看文獻“Distinctive Image Features from Scale-Invariant Keypoints”
SIFT算法的特點：
