SIFT = Scale-Invariant Feature Transform

Scale-invariant feature transform (atau SIFT) adalah sebuah algoritma dalam Computer vision untuk mendeteksi dan mendeskripsikan fitur-fitur lokal dari citra. Algoritma ini dipublikasikan oleh David Lowe pada tahun 1999.

Pendeteksian dan pendeskripsian fitur-fitur lokal dapat dipergunakan dalam aplikasi pengenalan obyek dan tracking. SIFT memiliki ketahanan yang kuat terhadap penskalaan, rotasi dan perubahan sudut pandang citra. SIFT juga tahan terhadap perubahan intensitas pencahayaan dan noise.

SIFT mendeteksi fitur-fitur lokal yang relatif banyak dalam sebuah citra. Jika SIFT diaplikasikan untuk tracking, hal ini bisa berpengaruh terhadap waktu komputasinya. Untuk itu, ada sebuah algoritma yang merupakan pengembangan dari SIFT yakni SURF (Speeded-Up Robust Features) yang memiliki waktu komputasi lebih cepat dari SIFT. SURF menggunakan integral citra dan box filter dalam komputasi fitur-fitur lokalnya. Fast Approximated SIFT juga adalah hasil pengembangan SIFT dalam hal kecepatan waktu komputasi. Perbedaannya, Fast Approximated SIFT juga menggunakan integral citra dan box filter untuk mempercepat waktu komputasi dan juga menggunakan Difference-of-Mean (DoM) pada pembentukan skala ruang (scale space). DI bawah ini adalah beberapa contoh gambar yang merupakan aplikasi dari SIFT. Citra yang kecil (Istana Kepresidenan RI) merupakan citra terget yang akan dicari pada citra uji(citra ukuran besar-Peta Jakarta di atas Monas). Garis-garis putih menunjukkan fitur-fitur yang cocok antara citra target dan citra uji. Algoritma-algoritma computer vision di atas dapat diaplikasikan dalam aplikasi pengenalan obyek, pendeteksian obyek, tracking. Biasanya diaplikasikan untuk peluru kendali(DSMAC), robot(sensor kamera robot), autonomous vehicle, dll.