sift/sur的特征提取方法是如何保持尺度不变性的？

SIFT（Scale-Invariant Feature Transform）和SURF（Speeded Up Robust Features）是两种常用的特征提取算法，它们都是基于图像的特征表示来进行目标检测的。它们都能够保持尺度不变性，即在不同尺度下的特征点具有相同的重要性。

SIFT算法是一种基于尺度空间的特征提取算法，它的核心思想是将图像中的每个点看作一个在二维空间中的点，并且将每个点的尺度信息保存下来。在图像中检测到一个点时，SIFT算法会根据该点周围的像素点的位置信息，计算出该点与原点之间的距离，并且根据该点周围像素点的位置信息，计算出该点在图像中的变化程度。通过这种方式，SIFT算法可以快速地提取出图像中的关键点，并且保持尺度不变性。

SURF算法是一种基于多尺度空间的特征提取算法，它的核心思想是将图像中的每个点看作一个在三维空间中的点，并且将每个点的多个尺度信息保存下来。在图像中检测到一个点时，SURF算法会根据该点周围的像素点的多个尺度信息，计算出该点在三维空间中的位置信息。通过这种方式，SURF算法可以快速地提取出图像中的关键点，并且保持尺度不变性。

综上所述，SIFT算法和SURF算法都是基于尺度空间的特征提取算法，它们都能够保持尺度不变性。SIFT算法是基于图像中每个点的二维信息进行特征提取的，而SURF算法是基于图像中每个点的三维信息进行特征提取的。

看过该大数据的还看过

• sift/sur的特征提取方法是如何保持尺度不变性的？

本文标题：#sift/sur的特征提取方法是如何保持尺度不变性的？#，宏鹏发布于北大青鸟鲁广校区。sift/sur的特征提取方法是如何保持尺度不变性的？SIFT（Scale-Invariant Feature Transform）和SURF（Speeded Up Robust Features）是两种常用的特征提取算法，它们都是基于图像的特征表示来进行目标检测的。它们都能够保持尺度不变性，即在不同尺度下的特征点具有相同的重要性。