使用LabVIEW AI视觉工具包快速实现SIFT特征检测（含源码）

您所在的位置：网站首页 › labview调用vi切换窗口 › 使用LabVIEW AI视觉工具包快速实现SIFT特征检测（含源码）

使用LabVIEW AI视觉工具包快速实现SIFT特征检测（含源码）

2023-06-02 13:57| 来源: 网络整理| 查看: 265

‍‍🏡博客主页： virobotics的CSDN博客：LabVIEW深度学习、人工智能博主 🎄所属专栏：『LabVIEW深度学习实战』 🍻上期文章：使用LabVIEW AI视觉工具包快速实现霍夫圆和霍夫直线检测（含源码） 📰如觉得博主文章写的不错或对你有所帮助的话，还望大家多多支持呀！欢迎大家✌关注、👍点赞、✌收藏、👍订阅专栏

文章目录前言一、环境搭建1.1 部署本项目时所用环境1.2 LabVIEW工具包下载及安装二、SIFT简介三、SIFT原理四、SIFT特征检测实战五、项目源码总结

前言

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。

在这里插入图片描述

一、环境搭建 1.1 部署本项目时所用环境操作系统：Windows10python：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/123656523AI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：

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。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。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。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 在这里插入图片描述参数说明：