surf匹配算法opencv示例代码
来源:互联网 发布:c语言double输出格式 编辑:程序博客网 时间:2024/05/16 08:10
1、surf特征+FLANN特征匹配+knn筛选匹配点+单应性矩阵映射
- #include "stdafx.h"
- #include <stdio.h>
- #include <iostream>
- #include <opencv2/core/core.hpp>
- #include "opencv2/nonfree/features2d.hpp"
- #include<opencv2/legacy/legacy.hpp>
- #include <opencv2/highgui/highgui.hpp>
- using namespace cv;
- using namespace std;
- int main( )
- {
- Mat img_1 = imread( "C:\\temp\\PyramidPattern.jpg", CV_LOAD_IMAGE_GRAYSCALE );
- Mat img_2 = imread( "C:\\temp\\PyramidPatternTest.bmp", CV_LOAD_IMAGE_GRAYSCALE );
- if( !img_1.data || !img_2.data )
- { return -1; }
- //-- Step 1: Detect the keypoints using SURF Detector
- int minHessian = 400;
- SurfFeatureDetector detector( minHessian );
- vector<KeyPoint> keypoints_1, keypoints_2;
- detector.detect( img_1, keypoints_1 );
- detector.detect( img_2, keypoints_2 );
- //-- Step 2: Calculate descriptors (feature vectors)
- SurfDescriptorExtractor extractor;
- Mat descriptors_1, descriptors_2;
- extractor.compute( img_1, keypoints_1, descriptors_1 );
- extractor.compute( img_2, keypoints_2, descriptors_2 );
- //-- Step 3: Matching descriptor vectors using FLANN matcher
- FlannBasedMatcher matcher;
- vector< DMatch > matches;
- vector<vector<DMatch>> m_knnMatches;
- matches.clear();
- const float minRatio=1.f / 1.5f;
- matcher.knnMatch(descriptors_1,descriptors_2,m_knnMatches,2);
- for (int i=0; i<m_knnMatches.size(); i++)
- {
- const DMatch& bestMatch=m_knnMatches[i][0];
- const DMatch& betterMatch=m_knnMatches[i][1];
- float distanceRatio=bestMatch.distance/betterMatch.distance;
- if (distanceRatio<minRatio)
- {
- matches.push_back(bestMatch);
- }
- }
- vector< DMatch > good_matches;
- if(!matches.size())
- {
- cout<<"matches is empty! "<<endl;
- return -1;
- }
- else if (matches.size()<4)
- {
- cout<<matches.size()<<" points matched is not enough "<<endl;
- }
- else //单应性矩阵的计算最少得使用4个点
- {
- for( int i = 0; i < matches.size(); i++ )
- {
- good_matches.push_back(matches[i]);
- }
- Mat img_matches;
- drawMatches( img_1, keypoints_1, img_2, keypoints_2,
- good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
- vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );
- //☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★
- //-- Localize the object from img_1 in img_2
- vector<Point2f> obj;
- vector<Point2f> scene;
- for( int i = 0; i < good_matches.size(); i++ )
- {
- //-- Get the keypoints from the good matches
- obj.push_back( keypoints_1[ good_matches[i].queryIdx ].pt );
- scene.push_back( keypoints_2[ good_matches[i].trainIdx ].pt );
- }
- Mat H = findHomography( obj, scene, CV_RANSAC );
- //-- Get the corners from the image_1 ( the object to be "detected" )
- vector<Point2f> obj_corners(4);
- obj_corners[0]=cvPoint(0,0);
- obj_corners[1]=cvPoint( img_1.cols, 0 );
- obj_corners[2]=cvPoint(img_1.cols,img_1.rows);
- obj_corners[3]=cvPoint(0,img_1.rows);
- vector<Point2f> scene_corners(4);
- perspectiveTransform( obj_corners, scene_corners, H);
- for( int i = 0; i < 4; i++ )
- {
- /* 作用和perspectiveTransform一样
- double x = obj_corners[i].x;
- double y = obj_corners[i].y;
- double Z = 1./( H.at<double>(2,0)*x + H.at<double>(2,1)*y + H.at<double>(2,2) );
- double X = ( H.at<double>(0,0)*x + H.at<double>(0,1)*y + H.at<double>(0,2) )*Z;
- double Y = ( H.at<double>(1,0)*x + H.at<double>(1,1)*y + H.at<double>(1,2) )*Z;
- scene_corners[i] = cvPoint( cvRound(X) + img_1.cols, cvRound(Y) );*/
- scene_corners[i].x+=img_1.cols;
- }
- line( img_matches, scene_corners[0], scene_corners[1], Scalar(0, 255, 0), 2 );
- line( img_matches, scene_corners[1], scene_corners[2], Scalar( 0, 255, 0), 2 );
- line( img_matches, scene_corners[2], scene_corners[3], Scalar( 0, 255, 0), 2 );
- line( img_matches, scene_corners[3], scene_corners[0], Scalar( 0, 255, 0), 2 );
- imshow( "Good Matches & Object detection", img_matches );
- }
- waitKey(0);
- return 0;
- }
附带一些知识点:
2、图像特征:
1.边界
2.角点(兴趣点)
3.斑点(兴趣区域)
角点是图像的一个局部特征,常用的有harris角点,其算法是一种直接基于灰度图像的,稳定性高,尤其对L型角点检测精度高,但由于采用了高斯滤波,运算速度相对较慢,角点信息有丢失和位置偏移的现象,而且角点提取有聚簇现象。具体在OpenCV中的实现就是使用函数cornerHarris。
除了Harris角点检测,还有Shi-Tomasi角点检测,goodFeaturesToTrack角点检测,将找到的点再用FindCornerSubPix()来找出强特征点。也可以自己制作角点检测的函数,需要用到cornerMinEigenVal函数和minMaxLoc函数,最后的特征点选取,判断条件要根据自己的情况编辑。如果对特征点,角点的精度要求更高,可以用cornerSubPix函数将角点定位到子像素。
3、OpenCV仿射变换、投影变换的重要函数
estimateRigidTransform():计算多个二维点对或者图像之间的最优仿射变换矩阵 (2行x3列),H可以是部分自由度,比如各向一致的切变。
getAffineTransform():计算3个二维点对之间的仿射变换矩阵H(2行x3列),自由度为6.
warpAffine():对输入图像进行仿射变换
findHomography: 计算多个二维点对之间的最优单映射变换矩阵 H(3行x3列) ,使用最小均方误差或者RANSAC方法 。
getPerspectiveTransform():计算4个二维点对之间的透射变换矩阵 H(3行x3列)
warpPerspective(): 对输入图像进行透射变换
perspectiveTransform():对二维或者三维矢量进行透射变换,也就是对输入二维坐标点或者三维坐标点进行投射变换。
estimateAffine3D:计算多个三维点对之间的最优三维仿射变换矩阵H (3行x4列)
transform():对输入的N维矢量进行变换,可用于进行仿射变换、图像色彩变换.
findFundamentalMat:计算多个点对之间的基矩阵H。
cvStereoCalibrate():中T类型要求了3*1,对与其他形参float和double都支持
cvStereoRectigy():只支持double类型
cvStereoRectifyUncalibrated():立体校正算法Hartley算法效果和F矩阵及图像数量有关,
ps:
【如果用cvStereoCalibrate()函数计算处理的F矩阵效果和Bouguet算法(cvStereoRectigy())效果一样】
【如果用cvFindFundamentalMat()函数计算F矩阵,没有Bougut算法好】
【用Hartley算法(cvStereoRectifyUncalibrated())校正时,别忘了实现要用cvUndistortPoints()去除相机畸变,Bouguet算法(cvStereoRectigy())没有这个要求,实际上它在函数内部校正了相机的畸变。】
4、Q&A:
答:使用getAffineTransform()。
问题2:如何计算多个二维点对之间的仿射变换矩阵(使用误差最小准则 )?
答:使用estimateRigidTransform()。
问题3:如何计算4个二维点对之间的透视变换?
答:使用getPerspectiveTransform()。
问题4:如何计算多个二维点对之间的透视变换矩阵(使用误差最小准则 )
答:findHomography()。
问题5:如何计算多个三维点对之间的仿射变换?答:使用estimateAffine3D。
(2)对输入图像应用变换矩阵进行变换
问题6:如何对输入图像进行仿射变换?答:使用warpAffine()。
问题7:如何对输入图像进行透视变换?
答:使用perspectiveTransform()。
问题8:如何对输入的二维点对进行仿射变换?
答:使用transform()。
问题9:如何对输入的三维点对进行投影变换?
答:使用perspectiveTransform()。
5、注意:
1. 使用findHomography接口获取两张图之间的单应性矩阵H,获得的结果不具有可逆性。举例来说,两张图M1和M2,那么调用findHomography(M1, M2, CV_RANSAC, 4)得到的矩阵H12和findHomography(M2, M1, CV_RANSAC, 4)得到的矩阵H21不具有可逆关系,即:H12的逆不等于H21,H12和H21的逆存在一定的误差,这个误差的产生是因为这个单应性矩阵的求取本身就是采用了RANSAC算法,得到的估算矩阵,是个估算值,所以存在误差。6、仿射变换和透视变换的关系
http://www.cnblogs.com/houkai/p/6660272.html
- surf匹配算法opencv示例代码
- OpenCV图像匹配算法之surf
- Surf算法原理及openCV代码实现
- Opencv SURF 图像匹配
- opencv surf匹配
- OpenCV Surf特征匹配
- 【OpenCV】SURF算法之视频图像实时特征点匹配
- sift,surf匹配代码
- SURF特征匹配算法
- Surf 匹配算法
- OpenCV:SURF算法浅析
- OpenCV:SURF算法浅析
- OpenCV:SURF算法浅析
- OpenCV:SURF算法浅析
- OpenCV中的SURF特征匹配
- opencv之SURF图像匹配
- 9.3 sift,surf匹配代码
- Opencv学习之SURF算法
- 《20171107》
- ReactJS +Spring MVC前后端分离 RESTful 交互
- 个人学习笔记之adb命令
- 面试必备:常用的设计模式总结
- Windows 中包括的 USB 设备类驱动程序
- surf匹配算法opencv示例代码
- C语言练习题(4)
- 支付宝 国际事业部201106
- Flume将数据导入Hbase
- redis的使用总结
- 悲观锁与乐观锁
- java:获取文件信息
- 用户登录窗口
- Flume(ng) 自定义sink实现和属性注入