‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主

🍻本文由virobotics(仪酷智能)原创首发

🥳欢迎大家关注✌点赞👍收藏⭐留言📝

前言

Hello，大家好，我是virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。

之前我们给大家介绍了LabVIEW实现Harris角点检测，Harris角点检测算法具有旋转不变性，但不具有尺度不变性，以下图为例，在左侧小图中可以检测到角点，但是图像被放大后，在使用同样的窗口，就检测不到角点了。所以本文给大家介绍Lowe教授在1999年提出的尺度不变特征变换匹配算法SIFT在LabVIEW中的部署。

一、环境搭建

1.1 部署本项目时所用环境

• 操作系统：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip

1.2 LabVIEW工具包下载及安装

• AI视觉工具包下载与安装参考：
  https://blog.csdn.net/virobotics/article/details/123656523
• AI视觉工具包介绍：
  https://blog.csdn.net/virobotics/article/details/123522165

二、SIFT简介

SIFT（Scale Invariant Feature Transform，尺度不变特征变换匹配算法）是由David G. Lowe教授在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效区域检测算法，在2004年（《Distinctive Image Features from Scale-Invariant Keypoints》）得以完善。

SIFT可以应用到物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对等方向。

SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等，SIFT特征对于旋转和尺度均具有不变性，并且对于噪声、视角变化和光照变化具有良好的鲁棒性。

三、SIFT原理

Lowe将SIFT算法分解为如下四步：

1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯差分函数来识别潜在的对于尺度和旋转不变的关键点。
2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3. 关键点方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而保证了对于这些变换的不变性。
4. 关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度作为关键点的描述符，它允许比较大的局部形状的变形或光照变化。

四、SIFT特征检测实战

0️⃣相关VI及参数介绍

new.vi：实例化sift

参数说明：

• nfeatures默认值为3，表示保留的最佳特性的数量。特征按其得分进行排序，若输入为0则表示保留所有特征；其他输入端使用默认值即可

  Detector.vi：在图像中找到关键点；
  

参数说明：

• img：进行关键点检测的图像，注意是灰度图像
• vector_KeyPoint out：表示关键点信息向量

draw_KeyPoints.vi：在关键点的位置绘制小圆圈

参数说明：

• img: 原始图像;
• vector_KeyPoint：关键点信息，将其绘制在图像上;
• dst out：绘制关键点信息后的图片

1️⃣实现SIFT特征检测
实现步骤：读取图片并转化为灰度图>>实例化SIFT>>检测关键点>>将关键点检测结果绘制在图像上（对每一个关键点只绘制中间点）

2️⃣运行结果

五、项目源码

项目源码下载：https://download.csdn.net/download/virobotics/87808362

总结

以上就是今天要给大家分享的内容，希望对大家有用。如有笔误，还请各位及时指正。后续还会继续给各位朋友分享其他案例，欢迎大家关注博主。我是virobotics（仪酷智能），我们下篇文章见~

**如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏