SIFT
尺度不变特征变换。一种提取对尺度变化和旋转不变的局部图像特征的算法，是图像匹配的基础技术。
SIFT (Scale-Invariant Feature Transform，尺度不变特征变换) 由 David Lowe 于 2004 年发表，是检测和描述局部图像特征的里程碑算法。它生成对尺度、旋转不变，并对光照和视角变化部分不变的关键点，每个关键点由 128 维向量描述。
SIFT 流程包含四个阶段。首先，在高斯差分 (DoG) 尺度空间中将极值点识别为关键点候选。其次，将候选点精确到亚像素精度，并过滤掉低对比度点和边缘响应。第三，基于局部梯度直方图为每个关键点分配主方向，提供旋转不变性。最后，以关键点为中心 (对齐到其主方向) 取 16x16 的邻域，划分为 4x4 子区域，对每个子区域计算 8 方向梯度直方图，得到 128 维描述子。
- 尺度不变性：通过在 DoG 尺度空间中检测极值，SIFT 能可靠地找到相同的物理结构，不受成像距离或缩放级别影响
- 旋转不变性：相对于关键点的主梯度方向归一化描述子，确保图像旋转后描述子相同
- 匹配策略：使用欧氏距离配合 Lowe 比率测试 (阈值 0.7-0.8) 进行描述子匹配，比较最近邻距离与次近邻距离以拒绝模糊匹配
SIFT 专利于 2020 年到期，在 OpenCV 4.4+ 中可通过 cv2.SIFT_create() 免费使用。它仍然是全景拼接、三维重建和目标识别等应用的黄金标准。对于 SIFT 计算成本过高的实时应用，ORB 和 AKAZE 等更快的替代方案在速度和匹配质量之间提供了合理的折中。