重映射与SURF特征点检测与匹配

一、重映射
1.1、简介
  重映射在图像处理中主要的功能为：将一个图像中一个位置的像素放置到另一个图像指定位置的过程，可以根据自己设定的函数将图像进行变换，较常见的功能有关于x轴翻转，关于y轴翻转，关于x、y轴翻转。为了完成映射过程，有必要获得一些插值为非整数像素坐标，因为源图像与目标图像的像素坐标不是一一对应的。在实际应用中，我们通过重映射来表达每个像素的位置 (x,y)，转换关系如下图所示 :

  其中 g( ) 是目标图像, f( ) 是源图像, h(x,y) 是作用于 (x,y) 的映射方法函数。在openCV中是通过 remap( )函数来实现重映射功能。
1.2、remap( )函数解析
   remap( )函数的原型和参数如下：

  C++: void remap(InputArray src,                   OutputArraydst,                   InputArray map1,                   InputArray map2,                   int interpolation,                     int borderMode=BORDER_CONSTANT,                   const Scalar& borderValue=Scalar( ) )  

参数解析：
  第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可，且需为单通道8位或者浮点型图像。
  第二个参数，OutputArray类型的dst，函数调用后的运算结果存在这里，即这个参数用于存放函数调用后的输出结果，和源图片有一样的尺寸和类型。
  第三个参数，InputArray类型的map1，它有两种可能的表示对象。
    （1）表示点（x，y）的第一个映射。
    （2）表示CV_16SC2 , CV_32FC1 或CV_32FC2类型的X值。
  第四个参数，InputArray类型的map2，同样，它也有两种可能的表示对象，而且它是根据map1来确定表示那种对象。
    （1）若map1表示点（x，y）时。这个参数不代表任何值。
    （2）表示CV_16UC1 , CV_32FC1类型的Y值（第二个值）。
  第五个参数，int类型的interpolation,插值方式，之前的resize( )函数中有讲到，需要注意，resize( )函数中提到的INTER_AREA插值方式在这里是不支持的，所以可选的插值方式如下：
    （1）INTER_NEAREST - 最近邻插值；

    （2）INTER_LINEAR – 双线性插值（默认值）；
    （3）INTER_CUBIC – 双三次样条插值（逾4×4像素邻域内的双三次插值）；
    （4）INTER_LANCZOS4 -Lanczos插值（逾8×8像素邻域的Lanczos插值）。
  第六个参数，int类型的borderMode，边界模式，有默认值BORDER_CONSTANT，表示目标图像中“离群点（outliers）”的像素值不会被此函数修改。
  第七个参数，const Scalar&类型的borderValue，当有常数边界时使用的值，其有默认值Scalar( )，即默认值为0。
1.3、重映射实例
  1、代码

#include "opencv2/highgui/highgui.hpp"  #include "opencv2/imgproc/imgproc.hpp"  #include <iostream>  using namespace cv;int main(){    //【0】变量定义      Mat srcImage, dstImage;    Mat map_x, map_y;    //【1】载入原始图      srcImage = imread("1.jpg", 1);    if (!srcImage.data) { printf("读取图片错误，请确定目录下是否有imread函数指定的图片存在~！ \n"); return false; }    imshow("原始图", srcImage);    //【2】创建和原始图一样的效果图，x重映射图，y重映射图      dstImage.create(srcImage.size(), srcImage.type());    map_x.create(srcImage.size(), CV_32FC1);    map_y.create(srcImage.size(), CV_32FC1);    //【3】双层循环，遍历每一个像素点，改变map_x & map_y的值      for (int j = 0; j < srcImage.rows; j++)    {        for (int i = 0; i < srcImage.cols; i++)        {            //改变map_x & map_y的值.               map_x.at<float>(j, i) = static_cast<float>(srcImage.cols-i);            map_y.at<float>(j, i) = static_cast<float>(j);        }    }    //【4】进行重映射操作      remap(srcImage, dstImage, map_x, map_y, CV_INTER_LINEAR, BORDER_CONSTANT, Scalar(0, 0, 0));    //【5】显示效果图      imshow("【程序窗口】", dstImage);    waitKey();    return 0;}

  2、运行结果
  （1）原图

  （2）重映射效果图

二、利用SURF算法进行特征点检测
2.1、SURF算法简介
  Speeded Up Robust Features（SURF，加速稳健特征）是一种稳健的局部特征点检测和描述算法。最初由Herbert Bay发表在2006年的欧洲计算机视觉国际会议（Europen Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。
  Surf是对David Lowe在1999年提出的Sift算法的改进，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。与Sift算法一样，Surf算法的基本路程可以分为三大部分：局部特征点的提取、特征点的描述、特征点的匹配。但Surf在执行效率上有两大制胜法宝——一个是积分图在Hessian（黑塞矩阵）上的使用，一个是降维的特征描述子的使用。一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的稳定性。
  Surf改进了Sift算法的特征提取和描述方式，用一种更为高效的方式完成特征的提取和描述，具体实现流程如下：
    （1） 构建Hessian（黑塞矩阵），生成所有的兴趣点，将其用于特征的提取；
    （2）构建尺度空间；
    （3） 特征点定位；
    （4）特征点主方向分配；
    （5） 生成特征点描述子；
    （6）特征点匹配。
2.2、drawKeypoints( )函数解析

void drawKeypoints(const Mat&image,             const vector<KeyPoint>& keypoints,             constScalar& color=Scalar::all(-1),             int flags=DrawMatchesFlags::DEFAULT )  

  第一个参数，const Mat&类型的src，输入图像。
  第二个参数，const vector&类型的keypoints，根据源图像得到的特征点，它是一个输出参数。
  第三个参数，Mat&类型的outImage，输出图像，其内容取决于第五个参数标识符falgs。
  第四个参数，const Scalar&类型的color，关键点的颜色，有默认值Scalar::all(-1)。
  第五个参数，int类型的flags，绘制关键点的特征标识符，有默认值DrawMatchesFlags::DEFAULT。可以选取别的值。
2.3、SURF特征点检测实例
1、下面实现特征点的功能需要用到下面几点：
  （1）使用 FeatureDetector 接口来发现感兴趣点；
  （2）使用 SurfFeatureDetector 以及其函数 detect 来实现检测过程；
  （3）使用函数 drawKeypoints 绘制检测到的关键点。
2、代码

#include "opencv2/core/core.hpp"  #include "opencv2/features2d/features2d.hpp"  #include "opencv2/highgui/highgui.hpp"  #include "opencv2/nonfree/nonfree.hpp"  #include <iostream>  using namespace cv;int main(int argc, char** argv){    //【0】改变console字体颜色          system("color 2F");    //【1】载入源图片并显示      Mat srcImage1 = imread("1.jpg", 1);    Mat srcImage2 = imread("2.jpg", 1);    if (!srcImage1.data || !srcImage2.data)//检测是否读取成功      {        printf("读取图片错误，请确定目录下是否有imread函数指定名称的图片存在~！ \n"); return false;    }    imshow("原始图1", srcImage1);    imshow("原始图2", srcImage2);    //【2】定义需要用到的变量和类      int minHessian = 400;//定义SURF中的hessian阈值特征点检测算子      SurfFeatureDetector detector(minHessian);//定义一个SurfFeatureDetector（SURF） 特征检测类对象      std::vector<KeyPoint> keypoints_1, keypoints_2;//vector模板类是能够存放任意类型的动态数组，能够增加和压缩数据      //【3】调用detect函数检测出SURF特征关键点，保存在vector容器中      detector.detect(srcImage1, keypoints_1);    detector.detect(srcImage2, keypoints_2);    //【4】绘制特征关键点      Mat img_keypoints_1;     Mat img_keypoints_2;    drawKeypoints(srcImage1, keypoints_1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);    drawKeypoints(srcImage2, keypoints_2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT);    //【5】显示效果图      imshow("特征点检测效果图1", img_keypoints_1);    imshow("特征点检测效果图2", img_keypoints_2);    waitKey(0);    return 0;}

3、运行结果
  （1）原图

  （2）特征点检测效果

三、SURF特征点匹配
3.1、FLANN匹配算法简介
  FLANN (Fast_Library_for_Approximate_Nearest_Neighbors)意为快速最近邻搜索包。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合,而且这些算法都已经被优化过了。在面对大数据集时它的效果要好于 BFMatcher。 经验证，FLANN比其他的最近邻搜索软件快10倍。
3.2、代码

///SURF特征点匹配  #include "opencv2/opencv.hpp"  using namespace cv;#include "opencv2/nonfree/nonfree.hpp"//SURF相关  #include "opencv2/legacy/legacy.hpp"//匹配器相关  #include <iostream>  using namespace std;int main(){    //1.SURF特征点提取——detect()方法        Mat srcImg1 = imread("1.jpg", CV_LOAD_IMAGE_COLOR);    Mat srcImg2 = imread("2.jpg", CV_LOAD_IMAGE_COLOR);    Mat dstImg1, dstImg2;    //定义SURF特征检测类对象        SurfFeatureDetector surfDetector;//SurfFeatureDetector是SURF类的别名        //定义KeyPoint变量        vector<KeyPoint> keyPoints1;    vector<KeyPoint> keyPoints2;    //特征点检测        surfDetector.detect(srcImg1, keyPoints1);    surfDetector.detect(srcImg2, keyPoints2);    //绘制特征点(关键点)        drawKeypoints(srcImg1, keyPoints1, dstImg1);    drawKeypoints(srcImg2, keyPoints2, dstImg2);    //显示结果        imshow("dstImg1", dstImg1);    imshow("dstImg2", dstImg2);    //2.特征点描述符(特征向量)提取——compute()方法        SurfDescriptorExtractor descriptor;//SurfDescriptorExtractor是SURF类的别名         Mat description1;    Mat description2;    descriptor.compute(srcImg1, keyPoints1, description1);    descriptor.compute(srcImg2, keyPoints2, description2);    //3.使用Flann匹配器进行匹配——FlannBasedMatcher类的match()方法        FlannBasedMatcher matcher;//实例化Flann匹配器      vector<DMatch> matches;    matcher.match(description1, description2, matches);    //4.对匹配结果进行筛选（依据DMatch结构体中的float类型变量distance进行筛选）        float minDistance = 100;    float maxDistance = 0;    for (int i = 0; i < matches.size(); i++)    {        if (matches[i].distance < minDistance)            minDistance = matches[i].distance;        if (matches[i].distance > maxDistance)            maxDistance = matches[i].distance;    }    cout << "minDistance: " << minDistance << endl;    cout << "maxDistance: " << maxDistance << endl;    vector<DMatch> goodMatches;    for (int i = 0; i < matches.size(); i++)    {        if (matches[i].distance < 2 * minDistance)        {            goodMatches.push_back(matches[i]);        }    }    //5.绘制匹配结果——drawMatches()        Mat dstImg3;    drawMatches(srcImg1, keyPoints1, srcImg2, keyPoints2, goodMatches, dstImg3);    imshow("dstImg3", dstImg3);    waitKey(0);    return 0;}

3.3、运行结果
  （1）原图

  （2）特征匹配结果