SIFT（尺度不变特征变换）和 SURF（加速稳健特征）是旨在识别和描述图像中独特特征的算法，用于图像匹配或对象识别等任务。两者都通过检测关键点（独特的兴趣点）和生成描述符（这些点周围区域的数学表示）来工作，即使在尺度、旋转或光照发生变化的情况下，也能实现跨图像的比较。
SIFT 分四个主要步骤进行。首先，它使用“高斯差分”（DoG）方法识别跨不同尺度的稳定特征的关键点，该方法突出显示从周围环境突出的区域。接下来，它丢弃低对比度或类似边缘的关键点，以专注于独特的定位。然后，它基于局部梯度方向为每个关键点分配一个方向，使特征具有旋转不变性。最后，它通过将关键点周围的区域划分为子区域并计算梯度直方图来创建 128 维描述符。例如，在全景拼接中，SIFT 可以匹配重叠图像之间的关键点以准确对齐它们，即使一个图像旋转或缩放不同。
SURF 简化并加速了 SIFT 的方法。SURF 没有使用 DoG，而是使用基于 Hessian 矩阵的检测器和近似值（如盒式滤波器）来快速识别类似斑点的结构。积分图像（预先计算的表格，可加速面积计算）用于使此步骤高效。对于方向分配，SURF 计算关键点周围圆形区域内的水平和垂直方向上的 Haar 小波响应。描述符本身使用子区域上求和的小波响应，从而产生 64 维或 128 维向量。SURF 通过牺牲一些精度来换取速度，使其适用于实时应用。例如，在实时视频中检测对象的移动应用程序可能会使用 SURF 逐帧跟踪特征而不会出现滞后。
比较和用例：SIFT 由于其详细的基于梯度的描述符，对尺度变化更准确、更鲁棒，使其非常适合 3D 重建或详细图像检索等应用。SURF 更快，更适合增强现实或机器人导航等延迟很重要的实时任务。但是，与 SIFT 相比，SURF 在极端缩放方面可能会遇到困难。开发人员根据权衡在两者之间进行选择：SIFT 用于受控环境中的精度，SURF 用于动态场景中的速度。尽管有更新的深度学习方法，但两者仍然是基于特征的图像搜索的基础。
