学习opencv——sift与suft的应用

使用opencv中的sift和surf函数来检测特征点和描述特征点，以及怎样使用其算法来进行特征点匹配

使用环境：opencv2.4.6+vs2010

功能：找出2幅图中特征点，并将其描述出来，且在2幅中进行匹配。2幅图内容相同，但是经过了曝光，旋转，缩放处理过。

sift的用法：

// sift_test.cpp : 定义控制台应用程序的入口点。#include <stdio.h>#include <iostream>#include "opencv2/core/core.hpp"//因为在属性中已经配置了opencv等目录，所以把其当成了本地目录一样#include "opencv2/highgui/highgui.hpp"#include "opencv2/nonfree/features2d.hpp"//包含一些专利算法的库#include<opencv2/legacy/legacy.hpp>  //包含机器学习的库using namespace cv;using namespace std;void readme();int main(int argc,char* argv[]){    Mat img_1=imread("E:\\query.png",CV_LOAD_IMAGE_GRAYSCALE);//宏定义时CV_LOAD_IMAGE_GRAYSCALE=0，也就是读取灰度图像    Mat img_2=imread("E:\\requery.png",CV_LOAD_IMAGE_GRAYSCALE);//一定要记得这里路径的斜线方向        if(!img_1.data || !img_2.data)//如果数据为空    {        cout<<"opencv error"<<endl;        return -1;    }    cout<<"open right"<<endl;    //第一步，用SIFT算子检测关键点        SiftFeatureDetector detector;//构造函数采用内部默认的    std::vector<KeyPoint> keypoints_1,keypoints_2;//构造2个专门由点组成的点向量用来存储特征点    detector.detect(img_1,keypoints_1);//将img_1图像中检测到的特征点存储起来放在keypoints_1中    detector.detect(img_2,keypoints_2);//同理    //在图像中画出特征点    Mat img_keypoints_1,img_keypoints_2;    drawKeypoints(img_1,keypoints_1,img_keypoints_1,Scalar::all(-1),DrawMatchesFlags::DEFAULT);//在内存中画出特征点    drawKeypoints(img_2,keypoints_2,img_keypoints_2,Scalar::all(-1),DrawMatchesFlags::DEFAULT);    imshow("sift_keypoints_1",img_keypoints_1);//显示特征点    imshow("sift_keypoints_2",img_keypoints_2);    //计算特征向量    SiftDescriptorExtractor extractor;//定义描述子对象    Mat descriptors_1,descriptors_2;//存放特征向量的矩阵    extractor.compute(img_1,keypoints_1,descriptors_1);//计算特征向量    extractor.compute(img_2,keypoints_2,descriptors_2);    //用burte force进行匹配特征向量    BruteForceMatcher<L2<float>>matcher;//定义一个burte force matcher对象    vector<DMatch>matches;    matcher.match(descriptors_1,descriptors_2,matches);    //绘制匹配线段    Mat img_matches;    drawMatches(img_1,keypoints_1,img_2,keypoints_2,matches,img_matches);//将匹配出来的结果放入内存img_matches中    //显示匹配线段    imshow("sift_Matches",img_matches);//显示的标题为Matches    waitKey(0);    return 0;}

运行结果：

下面看surf算法函数的使用(和sift基本一样，就是函数名改了下而已)：

// surf_test.cpp : 定义控制台应用程序的入口点。//#include <stdio.h>#include <iostream>#include "opencv2/core/core.hpp"//因为在属性中已经配置了opencv等目录，所以把其当成了本地目录一样#include "opencv2/highgui/highgui.hpp"#include "opencv2/nonfree/features2d.hpp"#include<opencv2/legacy/legacy.hpp>using namespace cv;using namespace std;void readme();int main(int argc,char* argv[]){    Mat img_1=imread("E:\\query.png",CV_LOAD_IMAGE_GRAYSCALE);//宏定义时CV_LOAD_IMAGE_GRAYSCALE=0，也就是读取灰度图像    Mat img_2=imread("E:\\requery.png",CV_LOAD_IMAGE_GRAYSCALE);//一定要记得这里路径的斜线方向        if(!img_1.data || !img_2.data)//如果数据为空    {        cout<<"opencv error"<<endl;        return -1;    }    cout<<"open right"<<endl;    //第一步，用SURF算子检测关键点    int minHessian=400;    SurfFeatureDetector detector(minHessian);    std::vector<KeyPoint> keypoints_1,keypoints_2;//构造2个专门由点组成的点向量用来存储特征点    detector.detect(img_1,keypoints_1);//将img_1图像中检测到的特征点存储起来放在keypoints_1中    detector.detect(img_2,keypoints_2);//同理    //在图像中画出特征点    Mat img_keypoints_1,img_keypoints_2;    drawKeypoints(img_1,keypoints_1,img_keypoints_1,Scalar::all(-1),DrawMatchesFlags::DEFAULT);    drawKeypoints(img_2,keypoints_2,img_keypoints_2,Scalar::all(-1),DrawMatchesFlags::DEFAULT);    imshow("surf_keypoints_1",img_keypoints_1);    imshow("surf_keypoints_2",img_keypoints_2);    //计算特征向量    SurfDescriptorExtractor extractor;//定义描述子对象    Mat descriptors_1,descriptors_2;//存放特征向量的矩阵    extractor.compute(img_1,keypoints_1,descriptors_1);    extractor.compute(img_2,keypoints_2,descriptors_2);    //用burte force进行匹配特征向量    BruteForceMatcher<L2<float>>matcher;//定义一个burte force matcher对象    vector<DMatch>matches;    matcher.match(descriptors_1,descriptors_2,matches);    //绘制匹配线段    Mat img_matches;    drawMatches(img_1,keypoints_1,img_2,keypoints_2,matches,img_matches);//将匹配出来的结果放入内存img_matches中    //显示匹配线段    imshow("surf_Matches",img_matches);//显示的标题为Matches    waitKey(0);    return 0;}

运行结果：

从这个实验可以知道，在opencv中使用这2个算法是多么的简单！只需要简单的几个参数就可以达到很好的效果。但这只是opencv的低级应用，我们应该在最好能用opencv一些内部函数来帮助实现自己的算法和想法。这就是分析opencv源码的主要目的。

另外，从实验的过程中可以感觉出来surf算法的运行时间比sift快很多，且特征点的数目检测得比较多，其它的暂时还没区别出来

转载自：http://www.cnblogs.com/tornadomeet