sift/sur的特征提取方法是如何保持尺度不变性的？

SIFT和SURF是两种常见的图像特征提取算法，它们都采用了尺度不变性来保证特征提取的鲁棒性。

SIFT算法通过DoG(高斯差分)金字塔来实现尺度不变性。DoG金字塔是由一系列高斯金字塔相邻层之间的差分图像组成，每个图像层都覆盖了一定范围的尺度空间，由此提供了尺度变化的多个观测点。在不同的尺度层中，SIFT算法对每个像素点进行尺度归一化，即通过计算该点在不同尺度下的梯度幅值和方向来确定它的关键点，从而保证了尺度不变性。

SURF算法则是通过对图像进行尺度空间卷积来实现尺度不变性。SURF算法中使用的是一种名为Hessian矩阵的算子，该算子可以检测图像中的边缘和斑点，并根据尺度空间进行缩放。通过对不同尺度下的Hessian矩阵进行卷积，可以得到尺度空间中的特征点，从而保证了尺度不变性。

总的来说，SIFT和SURF算法都是通过对图像进行尺度空间变换，然后在不同尺度空间下提取特征点来实现尺度不变性。在实际应用中，根据不同的场景和数据特点，可以选择合适的算法来进行图像特征提取。