9 de septiembre de 2025
Explora el algoritmo SIFT. Aprende qué es SIFT y sus potentes características para la visión artificial invariante a la escala. Mejora tu procesamiento de imágenes.
Hoy en día, muchos de los dispositivos inteligentes que utilizamos, desde teléfonos y cámaras hasta sistemas domésticos inteligentes, vienen con soluciones de IA que pueden reconocer rostros, objetos e incluso escenas visuales completas. Esta capacidad proviene de la visión artificial, un campo de la inteligencia artificial que permite a las máquinas comprender e interpretar imágenes y videos.
Por ejemplo, si tomas una foto de la Torre Eiffel desde cualquier ángulo o distancia, tu dispositivo normalmente puede reconocerla utilizando la visión artificial y organizarla en la carpeta correcta de tu galería. Aunque esto parezca sencillo, reconocer objetos no siempre es fácil. Las imágenes pueden tener un aspecto muy diferente dependiendo de su tamaño, ángulo, escala o iluminación, lo que dificulta que las máquinas las identifiquen de forma coherente.
Para ayudar a resolver este problema, los investigadores desarrollaron un algoritmo de visión artificial llamado Transformación de Características Invariante de Escala, o SIFT. Este algoritmo permite detectar objetos en diferentes condiciones de visualización. Creado por David Lowe en 1999, SIFT fue diseñado para encontrar y describir puntos clave únicos en una imagen, como esquinas, bordes o patrones que siguen siendo reconocibles incluso cuando la imagen se redimensiona, rota o ilumina de manera diferente.
Antes de que los modelos de visión artificial basados en aprendizaje profundo como Ultralytics YOLO11 se hicieran populares, SIFT era una técnica ampliamente utilizada en la visión artificial. Era un enfoque estándar para tareas como el reconocimiento de objetos, donde el objetivo es identificar un elemento específico en una foto, y la coincidencia de imágenes, donde las fotos se alinean encontrando características de imagen superpuestas.
En este artículo, exploraremos SIFT con una breve descripción de qué es, cómo funciona a alto nivel y por qué es importante en la evolución de la visión artificial. ¡Empecemos!
En una imagen, un objeto puede aparecer de muchas maneras diferentes. Por ejemplo, una taza de café puede ser fotografiada desde arriba, desde el lado, a la luz del sol o bajo una lámpara cálida. La misma taza también puede parecer más grande cuando está cerca de la cámara y más pequeña cuando está más lejos.
Todas estas diferencias hacen que enseñar a un ordenador a reconocer un objeto sea una tarea complicada. Esta tarea de visión artificial, conocida como detección de objetos, requiere que los modelos de Vision AI identifiquen y localicen los objetos con precisión, incluso cuando su tamaño, ángulo o condiciones de iluminación cambian.
Para que esto sea posible, la visión artificial se basa en un proceso llamado extracción de características o detección. En lugar de tratar de comprender toda la imagen a la vez, un modelo busca características distintivas de la imagen, como esquinas afiladas, patrones únicos o texturas que siguen siendo reconocibles en todos los ángulos, escalas y condiciones de iluminación.
En particular, para esto fue diseñado el Transformador de Características Invariante de Escala, o SIFT. SIFT es un algoritmo de detección y descripción de características que puede identificar objetos de manera fiable en imágenes, independientemente de cómo se capturen.
El algoritmo SIFT tiene algunas propiedades importantes que lo hacen útil para el reconocimiento de objetos. Una de las propiedades clave se llama invarianza de escala. Esto significa que SIFT puede reconocer varias partes de un objeto, tanto si parece grande y está cerca de la cámara como si es pequeño y está lejos. Incluso si el objeto no es completamente visible, el algoritmo puede identificar los mismos puntos clave.
Lo hace utilizando un concepto llamado teoría del espacio de escalas. En pocas palabras, la imagen se difumina a diferentes niveles para crear múltiples versiones. SIFT luego busca a través de estas versiones para encontrar patrones y detalles que permanezcan iguales, independientemente de cómo cambie el tamaño o la nitidez de la imagen.
Por ejemplo, una señal de tráfico fotografiada a pocos metros de distancia se verá mucho más grande que la misma señal capturada a distancia, pero SIFT aún puede detectar las mismas características distintivas. Esto hace posible que las dos imágenes coincidan correctamente, aunque la señal aparezca a escalas muy diferentes.
Los objetos en las imágenes también pueden aparecer rotados, a veces incluso al revés. SIFT maneja esto a través de una propiedad llamada invarianza de rotación. Para cada punto clave que detecta, el algoritmo asigna una orientación consistente basada en los gradientes de imagen locales. De esta manera, el mismo objeto puede ser reconocido sin importar cómo esté rotado.
Puede imaginárselo como marcar cada punto clave con una pequeña flecha que muestra la dirección hacia la que mira. Al alinear las características con estas orientaciones, SIFT se asegura de que los puntos clave coincidan correctamente incluso cuando el objeto está rotado. Por ejemplo, un punto de referencia capturado en una foto de paisaje puede seguir identificándose correctamente incluso si se toma otra foto con la cámara inclinada en un ángulo.
Además del tamaño y la rotación, las imágenes también pueden cambiar de otras maneras, como en los cambios de iluminación. La iluminación de un objeto puede pasar de brillante a tenue, el ángulo de la cámara puede cambiar ligeramente o la imagen puede aparecer borrosa o ruidosa.
SIFT está diseñado para manejar este tipo de variaciones. Lo hace centrándose en puntos clave que son distintivos y de alto contraste, ya que estas características se ven menos afectadas por los cambios en la iluminación o los pequeños cambios en el punto de vista. Como resultado, SIFT tiende a ser más fiable que los métodos simples de detección de bordes o esquinas, que a menudo fallan cuando las condiciones cambian.
Considere un cuadro en una galería. Aún puede reconocerse si se fotografía con luz diurna suave, bajo focos artificiales brillantes o incluso con un ligero desenfoque de movimiento de una cámara de mano. Los puntos clave siguen siendo lo suficientemente estables para una coincidencia precisa a pesar de estas diferencias.
A continuación, echemos un vistazo a cómo funciona el algoritmo SIFT. Este proceso se puede dividir en cuatro pasos principales: detección de puntos clave, localización de puntos clave, asignación de orientación y descripción de puntos clave.
El primer paso es encontrar y detectar puntos clave, que son puntos distintivos en la imagen, como esquinas o cambios bruscos en la textura, que ayudan a rastrear o reconocer un objeto.
Para asegurarse de que estos posibles puntos clave puedan reconocerse en cualquier tamaño, SIFT construye lo que se llama un espacio de escala. Esta es una colección de imágenes creadas al difuminar gradualmente la imagen original con un filtro gaussiano, que es una técnica de suavizado, y agrupar los resultados en capas llamadas octavas. Cada octava contiene la misma imagen en niveles crecientes de desenfoque, mientras que la siguiente octava es una versión más pequeña de la imagen.
Al restar una imagen borrosa de otra, SIFT calcula la Diferencia de Gaussianas (DoG), que resalta las áreas donde el brillo cambia bruscamente. Estas áreas se eligen como puntos clave candidatos porque se mantienen consistentes cuando se acerca o se aleja la imagen.
No todos los puntos clave candidatos son útiles porque algunos pueden ser débiles o inestables. Para refinarlos, SIFT utiliza un método matemático llamado Expansión de la Serie de Taylor, que ayuda a estimar la posición exacta de un punto clave con mayor precisión.
Durante este paso, se eliminan los puntos no fiables. Se descartan los puntos clave con bajo contraste, que se mezclan con su entorno, así como los que se encuentran directamente en los bordes, ya que pueden desplazarse con demasiada facilidad. Este paso de filtrado deja atrás solo los puntos clave más estables y distintivos.
Una vez que se identifican los puntos clave estables, SIFT los hace invariantes a la rotación, lo que significa que aún se pueden hacer coincidir incluso si la imagen se gira lateralmente o boca abajo. Para ello, SIFT analiza cómo cambia el brillo alrededor de cada punto clave, lo que se conoce como gradiente. Los gradientes muestran tanto la dirección como la intensidad del cambio en la intensidad de los píxeles, y juntos capturan la estructura local alrededor del punto.
Para cada punto clave, SIFT considera los gradientes dentro de una región circundante y los agrupa en un histograma de orientaciones. El pico más alto de este histograma indica la dirección dominante del cambio de intensidad, que luego se asigna como la orientación del punto clave. Tanto las direcciones del gradiente, que muestran dónde está cambiando la intensidad, como las magnitudes del gradiente, que indican cuán fuerte es ese cambio, se utilizan para construir este histograma.
Si hay otros picos que son casi tan fuertes, SIFT asigna múltiples orientaciones al mismo punto clave. Esto evita que se pierdan características importantes cuando los objetos aparecen en ángulos inusuales. Al alinear cada punto clave con su orientación, SIFT asegura que los descriptores generados en el siguiente paso sigan siendo consistentes.
En otras palabras, incluso si dos imágenes del mismo objeto están rotadas de manera diferente, los puntos clave alineados a la orientación seguirán coincidiendo correctamente. Este paso es lo que le da a SIFT su gran capacidad para manejar la rotación y lo hace mucho más robusto que los métodos anteriores de detección de características.
El último paso en SIFT es crear una descripción de cada punto clave para que pueda ser reconocido en otras imágenes.
SIFT logra esto observando un pequeño parche cuadrado alrededor de cada punto clave, de aproximadamente 16 por 16 píxeles. Este parche se alinea primero a la orientación del punto clave para que la rotación no le afecte. A continuación, el parche se divide en una cuadrícula de 4 por 4 cuadrados más pequeños.
En cada pequeño cuadrado, SIFT mide cómo cambia el brillo en diferentes direcciones. Estos cambios se almacenan en algo llamado histograma, que es como un gráfico que muestra qué direcciones son más comunes. Cada cuadrado tiene su propio histograma, y juntos los 16 cuadrados producen 16 histogramas.
Finalmente, estos histogramas se combinan en una única lista de números, 128 en total. Esta lista se denomina vector de características y actúa como una huella dactilar para el punto clave. Debido a que captura la textura y la estructura únicas alrededor del punto, esta huella dactilar permite hacer coincidir el mismo punto clave en diferentes imágenes, incluso si se redimensionan, rotan o iluminan de manera diferente.
Ahora que comprendemos mejor qué es SIFT y cómo funciona, exploremos algunas de sus aplicaciones reales en la visión artificial.
Uno de los principales usos de SIFT es el reconocimiento y la detección de objetos. Esto implica enseñar a un ordenador a reconocer y localizar objetos en imágenes, incluso cuando los objetos no siempre tienen el mismo aspecto. Por ejemplo, SIFT puede detectar un libro independientemente de si está cerca de la cámara, más lejos o girado en un ángulo.
La razón por la que esto funciona es que SIFT extrae puntos clave que son altamente distintivos y estables. Cuando estos puntos clave se combinan con descriptores SIFT, forman características SIFT, que proporcionan una forma fiable de hacer coincidir el mismo objeto en diferentes imágenes. Estas características capturan detalles únicos del objeto que permanecen consistentes, lo que permite una coincidencia de características fiable en las imágenes, incluso cuando el tamaño, la posición o la orientación del objeto cambian.
Antes de que el aprendizaje profundo se hiciera popular, SIFT era uno de los métodos más fiables para construir sistemas de reconocimiento de objetos. Se utilizaba ampliamente en la investigación y en aplicaciones que requerían la coincidencia de objetos en grandes conjuntos de datos de imágenes, aunque a menudo exigía importantes recursos computacionales.
SIFT también se puede utilizar para crear imágenes panorámicas, que son fotos anchas hechas uniendo varias imágenes. Usando SIFT, se encuentran puntos clave distintivos en las partes superpuestas de diferentes imágenes y luego se emparejan entre sí. Estas coincidencias actúan como anclajes, guiando el proceso de unión sobre cómo deben alinearse las fotos.
Una vez completada la coincidencia, se pueden utilizar algoritmos de costura para calcular la alineación correcta, a menudo utilizando transformaciones geométricas que mapean una imagen sobre otra. A continuación, las imágenes se fusionan para que las costuras desaparezcan. El resultado final es un panorama perfecto que parece una única foto amplia, aunque se haya creado a partir de múltiples tomas.
Otra aplicación interesante de SIFT es en la reconstrucción 3D, donde se combinan múltiples fotos 2D tomadas desde diferentes ángulos para construir un modelo tridimensional. SIFT funciona encontrando y haciendo coincidir los mismos puntos en estas imágenes.
Una vez que se realizan las coincidencias, las posiciones 3D de esos puntos se pueden estimar mediante la triangulación, un método que calcula la profundidad desde diferentes puntos de vista. Este proceso forma parte de la estructura a partir del movimiento (SfM), una técnica que utiliza múltiples imágenes superpuestas para estimar la forma 3D de una escena junto con las posiciones de las cámaras que tomaron las fotos.
El resultado suele ser una nube de puntos 3D, una colección de puntos en el espacio que describe el objeto o el entorno. SIFT fue una de las primeras herramientas que hizo práctico el structure-from-motion. Aunque las técnicas más nuevas son más rápidas y comunes hoy en día, SIFT se sigue aplicando cuando la precisión es más importante que la velocidad.
SIFT también se ha utilizado en robótica, particularmente en SLAM visual (Localización y Mapeo Simultáneos). SLAM permite a un robot averiguar dónde está mientras construye un mapa de su entorno al mismo tiempo.
Los puntos clave de SIFT actúan como puntos de referencia fiables que un robot puede reconocer a través de los fotogramas, incluso cuando la iluminación o los ángulos cambian. Al rastrear estos puntos de referencia, el robot puede estimar su posición y actualizar su mapa sobre la marcha. Aunque hoy en día se utilizan detectores de características más rápidos en robótica, SIFT desempeñó un papel importante en los primeros sistemas SLAM y sigue siendo clave en los casos en que la robustez es más crítica que la velocidad.
Si bien el algoritmo SIFT se ha utilizado ampliamente en la visión artificial y es conocido por ser un método fiable, también conlleva algunas desventajas. Por eso es importante sopesar sus pros y sus contras antes de decidir si es la opción adecuada para un proyecto. A continuación, vamos a repasar sus principales puntos fuertes y limitaciones.
Estas son algunas de las ventajas de usar el algoritmo SIFT:
Estas son algunas de las desventajas de usar el algoritmo SIFT:
Mientras explora los pros y los contras de SIFT, puede notar que muchas de sus limitaciones allanaron el camino para técnicas más avanzadas. Específicamente, las redes neuronales convolucionales (CNN) surgieron como una alternativa poderosa.
Una CNN es un tipo de modelo de aprendizaje profundo inspirado en cómo funciona el sistema visual humano. Procesa una imagen en capas, comenzando por patrones simples como bordes y texturas, y construyendo gradualmente formas y objetos más complejos. A diferencia de las reglas de características artesanales de SIFT, las CNN aprenden representaciones de características directamente de los datos.
Este aprendizaje basado en datos significa que las CNN pueden superar a SIFT en la coincidencia de descriptores y las tareas de clasificación. Las CNN también son más expresivas y robustas, adaptándose mejor a la variabilidad y complejidad de los datos visuales.
Por ejemplo, los modelos basados en CNN han logrado resultados revolucionarios en ImageNet, un conjunto de datos de referencia masivo que contiene millones de imágenes etiquetadas en miles de categorías. Diseñado para probar la capacidad de los algoritmos para reconocer y clasificar objetos, ImageNet puede resaltar la brecha entre los métodos más antiguos basados en características y el aprendizaje profundo.
Las CNN superaron rápidamente a SIFT al aprender representaciones mucho más ricas y flexibles, lo que les permite reconocer objetos bajo iluminación cambiante, desde diferentes puntos de vista e incluso cuando están parcialmente ocultos, escenarios donde SIFT a menudo tiene dificultades.
El algoritmo de Transformación de Características Invariante de Escala (Scale Invariant Feature Transform) ocupa un lugar importante en la historia de la visión artificial. Proporcionó una forma fiable de detectar características incluso en entornos cambiantes e influyó en muchos de los métodos utilizados en la actualidad.
Aunque las técnicas más recientes son más rápidas y eficientes, SIFT sentó las bases para ellas. SIFT muestra dónde comenzó el progreso actual en la visión artificial y destaca lo lejos que han llegado los sistemas de IA de vanguardia.
Únase a nuestra comunidad global y consulte nuestro repositorio de GitHub para obtener más información sobre la visión artificial. Explore nuestras páginas de soluciones para descubrir innovaciones como la IA en la agricultura y la visión artificial en el comercio minorista. Consulte nuestras opciones de licencia y comience a construir su propio modelo de visión artificial.
