OpenCV2.4.4中调用SIFT特征检测器进行图像匹配

OpenCV中一些相关结构说明：

特征点类：

[cpp] view plain copy

1. class KeyPoint  
2. {  
3.        Point2f  pt;  //坐标  
4.        float  size; //特征点邻域直径  
5.        float  angle; //特征点的方向，值为[0,360)，负值表示不使用  
6.        float  response; //  
7.        int  octave; //特征点所在的图像金字塔的组  
8.        int  class_id; //用于聚类的id  
9. }  

存放匹配结果的结构：

[cpp] view plain copy

1. struct DMatch  
2. {  
3.        //三个构造函数  
4.     DMatch(): queryIdx(-1), trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max()) {}  
5.     DMatch(int  _queryIdx, int  _trainIdx, float  _distance ) :  
6.                      queryIdx( _queryIdx),trainIdx( _trainIdx), imgIdx(-1),distance( _distance) {}  
7.     DMatch(int  _queryIdx, int  _trainIdx, int  _imgIdx, float  _distance ) :  
8.             queryIdx(_queryIdx), trainIdx( _trainIdx), imgIdx( _imgIdx),distance( _distance) {}  
9.   
10.     intqueryIdx;  //此匹配对应的查询图像的特征描述子索引  
11.     inttrainIdx;   //此匹配对应的训练(模板)图像的特征描述子索引  
12.     intimgIdx;    //训练图像的索引(若有多个)  
13.     float distance;  //两个特征向量之间的欧氏距离，越小表明匹配度越高。  
14.     booloperator < (const DMatch &m) const;  
15. };  

       说明：以两个特征点描述子(特征向量)之间的欧氏距离作为特征点匹配的相似度准则，假设特征点对p和q的

               特征描述子分别为Desp和Desq，则其欧氏距离定义为：

                所以每个匹配分别对应训练图像(train)和查询图像(query)中的一个特征描述子(特征向量)。

[cpp] view plain copy

1. #include "opencv2/highgui/highgui.hpp"  
2. #include "opencv2/imgproc/imgproc.hpp"  
3. #include "opencv2/nonfree/nonfree.hpp"  
4. #include "opencv2/nonfree/features2d.hpp"  
5. #include <iostream>  
6. #include <stdio.h>  
7. #include <stdlib.h>  
8.   
9. using namespace cv;  
10. using namespace std;  
11.   
12. int main()  
13. {  
14.     initModule_nonfree();//初始化模块，使用SIFT或SURF时用到  
15.     Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT特征检测器  
16.     Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器  
17.     Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器  
18.     if( detector.empty() || descriptor_extractor.empty() )  
19.         cout<<"fail to create detector!";  
20.   
21.     //读入图像  
22.     Mat img1 = imread("desk.jpg");  
23.     Mat img2 = imread("desk_glue.jpg");  
24.   
25.     //特征点检测  
26.     double t = getTickCount();//当前滴答数  
27.     vector<KeyPoint> keypoints1,keypoints2;  
28.     detector->detect( img1, keypoints1 );//检测img1中的SIFT特征点，存储到keypoints1中  
29.     detector->detect( img2, keypoints2 );  
30.     cout<<"图像1特征点个数:"<<keypoints1.size()<<endl;  
31.     cout<<"图像2特征点个数:"<<keypoints2.size()<<endl;  
32.   
33.     //根据特征点计算特征描述子矩阵，即特征向量矩阵  
34.     Mat descriptors1,descriptors2;  
35.     descriptor_extractor->compute( img1, keypoints1, descriptors1 );  
36.     descriptor_extractor->compute( img2, keypoints2, descriptors2 );  
37.     t = ((double)getTickCount() - t)/getTickFrequency();  
38.     cout<<"SIFT算法用时："<<t<<"秒"<<endl;  
39.   
40.   
41.     cout<<"图像1特征描述矩阵大小："<<descriptors1.size()  
42.         <<"，特征向量个数："<<descriptors1.rows<<"，维数："<<descriptors1.cols<<endl;  
43.     cout<<"图像2特征描述矩阵大小："<<descriptors2.size()  
44.         <<"，特征向量个数："<<descriptors2.rows<<"，维数："<<descriptors2.cols<<endl;  
45.   
46.     //画出特征点  
47.     Mat img_keypoints1,img_keypoints2;  
48.     drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);  
49.     drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);  
50.     //imshow("Src1",img_keypoints1);  
51.     //imshow("Src2",img_keypoints2);  
52.   
53.     //特征匹配  
54.     vector<DMatch> matches;//匹配结果  
55.     descriptor_matcher->match( descriptors1, descriptors2, matches );//匹配两个图像的特征矩阵  
56.     cout<<"Match个数："<<matches.size()<<endl;  
57.   
58.     //计算匹配结果中距离的最大和最小值  
59.     //距离是指两个特征向量间的欧式距离，表明两个特征的差异，值越小表明两个特征点越接近  
60.     double max_dist = 0;  
61.     double min_dist = 100;  
62.     for(int i=0; i<matches.size(); i++)  
63.     {  
64.         double dist = matches[i].distance;  
65.         if(dist < min_dist) min_dist = dist;  
66.         if(dist > max_dist) max_dist = dist;  
67.     }  
68.     cout<<"最大距离："<<max_dist<<endl;  
69.     cout<<"最小距离："<<min_dist<<endl;  
70.   
71.     //筛选出较好的匹配点  
72.     vector<DMatch> goodMatches;  
73.     for(int i=0; i<matches.size(); i++)  
74.     {  
75.         if(matches[i].distance < 0.31 * max_dist)  
76.         {  
77.             goodMatches.push_back(matches[i]);  
78.         }  
79.     }  
80.     cout<<"goodMatch个数："<<goodMatches.size()<<endl;  
81.   
82.     //画出匹配结果  
83.     Mat img_matches;  
84.     //红色连接的是匹配的特征点对，绿色是未匹配的特征点  
85.     drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,  
86.                 Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);  
87.   
88.     imshow("MatchSIFT",img_matches);  
89.     waitKey(0);  
90.     return 0;  
91. }  

结果：

效果图：