شناسایی ویژگی SIFT
SIFT (تبدیل ویژگی ناوردا در مقیاس) روشی برای شناسایی و توصیف ویژگیهای محلی متمایز در تصاویر دیجیتال است. SIFT که توسط دیوید لاو در سال ۱۹۹۹ معرفی شد، نقاط کلیدی را استخراج میکند که نسبت به تغییرات مقیاس، چرخش و نورپردازی ناوردا باقی میمانند و آن را برای وظایف تطبیق تصویر و تشخیص اشیاء بسیار مقاوم میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2), 91–110. DOI: 10.1023/B:VISI.0000029664.99615.94 ↗
- Lowe, D. G. (1999). Object recognition from local scale-invariant features. International Conference on Computer Vision (ICCV), 1150–1157. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Scale-Invariant Feature Transform (SIFT) Detection. ScholarGate. https://scholargate.app/fa/computer-vision/sift-feature-detection
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- Harris Corner Detectionبینایی ماشین↔ مقایسه
- عملیات مورفولوژیکی تصویربینایی ماشین↔ مقایسه
- توصیفگر ویژگی ORBبینایی ماشین↔ مقایسه
- نظریه مقیاس-فضابینایی ماشین↔ مقایسه
- انطباق الگوبینایی ماشین↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →