SIFT（Scale-Invariant Feature Transform，尺度不變特徵轉換）是一種計算機視覺算法，用於檢測和描述圖像中的局部特徵。它能夠在不同的尺度和旋轉下找到極值點，並提取出這些點的位置、尺度和旋轉不變數。SIFT算法由David Lowe在1999年提出，並在2004年進行了完善和總結。
SIFT算法的特點包括：
局部特徵：SIFT特徵是基於圖像上的一些局部外觀興趣點，這些點對圖像的大小和旋轉都是不變的。
不變性：它們對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。
獨特性好：信息量豐富，適用於在海量特徵資料庫中進行快速、準確的匹配。
多量性：即使少數的幾個物體也可以產生大量的SIFT特徵向量。
高速性：經最佳化的SIFT匹配算法甚至可以達到實時的要求。
可擴展性：可以很方便的與其他形式的特徵向量進行聯合。
SIFT算法的主要步驟包括：
尺度空間極值檢測：通過高斯差分函式在所有尺度上搜尋圖像位置的極值點。
關鍵點定位：在候選位置上通過精細模型確定關鍵點的位置和尺度。
關鍵點方向確定：基於圖像局部的梯度方向，為每個關鍵點分配一個或多個方向。
關鍵點描述：在每個關鍵點周圍的鄰域內，測量選定尺度的圖像局部梯度，形成關鍵點的描述符。
SIFT算法的套用範圍廣泛，包括物體識別、機器人地圖感知與導航、影像縫合、3D模型建立、手勢識別、影像追蹤和動作比對等。儘管SIFT算法具有許多優點，但它也受到專利保護的限制，專利擁有者為英屬哥倫比亞大學。