Feature Transformation

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.

Scale Invariant Feature Transform (SIFT) adalah sebuah metode untuk mendeteksi dan mendeskripsikan fitur lokal invarian khas dari gambar yang dapat digunakan untuk melakukan pencocokan handal antara tampilan gambar yang berbeda pada objek dan scene-nya.

         Aplikasi yang dapat diterapkan dari algoritma ini misalnya object recognition, robotic mapping dan navigation, image stitching, 3D modeling, video tracking, individual identification, dll. Algoritma ini dipublikasikan oleh David Lowe pada tahun 1999.

         SIFT mengubah data dari gambar ke dalam koordinat relatif skala-invarian terhadap fitur lokal. Untuk Image matching, fitur SIFT pertama kali diambil dari satu set gambar referensi dan disimpan dalam database. Gambar baru dapat dicocokkan secara otomatis dengan membandingkan setiap fitur dari gambar baru ke database sebelumnya dan menemukan calon match fitur berdasarkan second-closet nearest neighbor sebagai tetangga terdekat yang dideteksi sebagai match feature dari fitur vektor gambar refrensi.

Algoritma ini memiliki ketahanan yang cukup kuat terhadap penskalaan, rotasi dan perubahan sudut pandang citra. Algoritma ini  juga tahan terhadap perubahan intensitas pencahayaan dan noise. Terdapat empat tahapan yang harus dilakukan dalam algoritma SIFT ini yaitu :

a.       Scale-space extrema detection

b.      Keypoint localization

c.       Orientation assignment

d.      Keypoint descriptors