OpenCV2.4.4中调用SIFT特征检测器进行图像匹配

来源：互联网发布：java 查询条件封装编辑：程序博客网时间：2024/05/29 07:49

OpenCV中一些相关结构说明：

特征点类：

查看文本打印?
class KeyPoint  
{  
       Point2f  pt;  //坐标  
       float  size; //<strong>特征</strong>点邻域直径  
       float  angle; //<strong>特征</strong>点的方向，值为[0,360)，负值表示不使用  
       float  response; //  
       int  octave; //<strong>特征</strong>点所在的<strong>图像</strong>金字塔的组  
       int  class_id; //用于聚类的id  
}  

存放匹配结果的结构：

查看文本打印?
struct DMatch  
{  
       //三个构造函数  
    DMatch(): queryIdx(-1), trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max()) {}  
    DMatch(int  _queryIdx, int  _trainIdx, float  _distance ) :  
                     queryIdx( _queryIdx),trainIdx( _trainIdx), imgIdx(-1),distance( _distance) {}  
    DMatch(int  _queryIdx, int  _trainIdx, int  _imgIdx, float  _distance ) :  
            queryIdx(_queryIdx), trainIdx( _trainIdx), imgIdx( _imgIdx),distance( _distance) {}  
  
    intqueryIdx;  //此<strong>匹配</strong>对应的查询<strong>图像</strong>的<strong>特征</strong>描述子索引  
    inttrainIdx;   //此<strong>匹配</strong>对应的训练(模板)<strong>图像</strong>的<strong>特征</strong>描述子索引  
    intimgIdx;    //训练<strong>图像</strong>的索引(若有多个)  
    float distance;  //两个<strong>特征</strong>向量之间的欧氏距离，越小表明<strong>匹配</strong>度越高。  
    booloperator < (const DMatch &m) const;  
};  

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Des_p和Des_q，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)。

查看文本打印?
#include "opencv2/highgui/highgui.hpp"  
#include "opencv2/imgproc/imgproc.hpp"  
#include "opencv2/nonfree/nonfree.hpp"  
#include "opencv2/nonfree/features2d.hpp"  
#include <iostream>  
#include <stdio.h>  
#include <stdlib.h>  
  
using namespace cv;  
using namespace std;  
  
int main()  
{  
    initModule_nonfree();//初始化模块，使用SIFT或SURF时用到  
    Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT<strong>特征</strong><strong>检测器</strong>  
    Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建<strong>特征</strong>向量生成器  
    Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建<strong>特征</strong><strong>匹配</strong>器  
    if( detector.empty() || descriptor_extractor.empty() )  
        cout<<"fail to create detector!";  
  
    //读入<strong>图像</strong>  
    Mat img1 = imread("desk.jpg");  
    Mat img2 = imread("desk_glue.jpg");  
  
    //<strong>特征</strong>点检测  
    double t = getTickCount();//当前滴答数  
    vector<KeyPoint> keypoints1,keypoints2;  
    detector->detect( img1, keypoints1 );//检测img1中的SIFT<strong>特征</strong>点，存储到keypoints1中  
    detector->detect( img2, keypoints2 );  
    cout<<"<strong>图像</strong>1<strong>特征</strong>点个数:"<<keypoints1.size()<<endl;  
    cout<<"<strong>图像</strong>2<strong>特征</strong>点个数:"<<keypoints2.size()<<endl;  
  
    //根据<strong>特征</strong>点计算<strong>特征</strong>描述子矩阵，即<strong>特征</strong>向量矩阵  
    Mat descriptors1,descriptors2;  
    descriptor_extractor->compute( img1, keypoints1, descriptors1 );  
    descriptor_extractor->compute( img2, keypoints2, descriptors2 );  
    t = ((double)getTickCount() - t)/getTickFrequency();  
    cout<<"SIFT算法用时："<<t<<"秒"<<endl;  
  
  
    cout<<"<strong>图像</strong>1<strong>特征</strong>描述矩阵大小："<<descriptors1.size()  
        <<"，<strong>特征</strong>向量个数："<<descriptors1.rows<<"，维数："<<descriptors1.cols<<endl;  
    cout<<"<strong>图像</strong>2<strong>特征</strong>描述矩阵大小："<<descriptors2.size()  
        <<"，<strong>特征</strong>向量个数："<<descriptors2.rows<<"，维数："<<descriptors2.cols<<endl;  
  
    //画出<strong>特征</strong>点  
    Mat img_keypoints1,img_keypoints2;  
    drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);  
    drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);  
    //imshow("Src1",img_keypoints1);  
    //imshow("Src2",img_keypoints2);  
  
    //<strong>特征</strong><strong>匹配</strong>  
    vector<DMatch> matches;//<strong>匹配</strong>结果  
    descriptor_matcher->match( descriptors1, descriptors2, matches );//<strong>匹配</strong>两个<strong>图像</strong>的<strong>特征</strong>矩阵  
    cout<<"Match个数："<<matches.size()<<endl;  
  
    //计算<strong>匹配</strong>结果中距离的最大和最小值  
    //距离是指两个<strong>特征</strong>向量间的欧式距离，表明两个<strong>特征</strong>的差异，值越小表明两个<strong>特征</strong>点越接近  
    double max_dist = 0;  
    double min_dist = 100;  
    for(int i=0; i<matches.size(); i++)  
    {  
        double dist = matches[i].distance;  
        if(dist < min_dist) min_dist = dist;  
        if(dist > max_dist) max_dist = dist;  
    }  
    cout<<"最大距离："<<max_dist<<endl;  
    cout<<"最小距离："<<min_dist<<endl;  
  
    //筛选出较好的<strong>匹配</strong>点  
    vector<DMatch> goodMatches;  
    for(int i=0; i<matches.size(); i++)  
    {  
        if(matches[i].distance < 0.31 * max_dist)  
        {  
            goodMatches.push_back(matches[i]);  
        }  
    }  
    cout<<"goodMatch个数："<<goodMatches.size()<<endl;  
  
    //画出<strong>匹配</strong>结果  
    Mat img_matches;  
    //红色连接的是<strong>匹配</strong>的<strong>特征</strong>点对，绿色是未<strong>匹配</strong>的<strong>特征</strong>点  
    drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,  
                Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);  
  
    imshow("MatchSIFT",img_matches);  
    waitKey(0);  
    return 0;  
}  

0 0