OpenCV检测图像SURF特征

SURF特征

SURF特征——speeded up robust features 加速鲁棒特征。具有尺度不变性，计算相对高效。
所谓尺度不变性，在特征点匹配上，个人比较白话的理解是：
相同内容的不同尺度的两张图片（例，图像1：张三的正面照。图像2：张三正面照缩小一半。）。
假设两张图片上张三的鼻子中心是一个特征点，那么这两张图片，在该点处的SURF特征，应该相互匹配（确切说是SURF特征描述子匹配）。也就是说，大小变化，特征匹配不变。不管物体大小如何变化，同一物体在不同大小下具有的SURF特征，这些特征点（描述子）相互匹配。
SURF特征，具有尺寸和方向，使其具有方向不变性和尺寸不变性。
该博客讲了SURF特征原理，可以参看。
http://www.cnblogs.com/tornadomeet/archive/2012/08/17/2644903.html
这里只简单讲下，SURF特征，大体是怎么回事。

SURF特征，定义特征点为具有较高局部曲率的点。
怎么计算局部曲率？通过Hessian矩阵。

该矩阵的行列式给出了曲率的强度，也就是，矩阵的行列式越大，曲率强度越高。具体计算特征点时，要考虑用不同尺寸高斯核滤波产生的金塔字上下层的曲率值，用当前层某点的曲率值，和本层、上层、下层一定范围进行比较。（说起来好麻烦，具体的看SURF算法，网上很多资料）。
特征怎么具有尺寸不变性？
SURF，通过对图片用不同尺寸的高斯核滤波，然后计算其Hessian矩阵（类似高斯金字塔，但图像的尺寸不变）。实际应用中，为了加快计算速度，常常用近似的高斯核，直接计算Hessian矩阵中的值。
对y二阶导相当于：

对xy二阶导相当于：

这样，不同尺寸高斯核下的Hessian矩阵，便计算出来。
为了说明白尺寸不变，以下是个人的简单理解，可能跟算法实际过程不同（仅为好理解，勿喷）：
1、一张图片，在尺寸为NxN的高斯核下，检测到了一个SURF特征点。那么这个检测到的特征点，与Ｎ成正比，也可以说特征点的尺寸与Ｎ成正比。
2、假设，图片缩小一半，拍摄角度不变。那么在尺寸为(N/2)的高斯核下，检测到一个SURF特征点（同1，为同一物体的同一点）。该特征点的尺寸与N/2成正比。
也就是说，当图像缩减一半时，该特征点的尺寸也缩减一半。那么在匹配这两个不同尺度的特征点时，由于考虑到了尺寸的变化（原来的１/2)，那么匹配时，他们的强度模版就不会出错。（再简单的理解，计算特征点的描述子时，由于不了解物体尺寸的变换，所以往往会出错。但是，SURF特征包含了尺寸变化的信息，从而让同一物体的同一点在不同尺寸下的SURF特征（点）描述子（向量）相互匹配）
这里，只讲了SURF个人的大体理解，其实我看该算法时也挺蒙，有些地方来回看了几遍。个人理解肯定由疏漏、不准确的地方，推荐去系统学习一下SURF详细原理。
示例：

#include<opencv2\core\core.hpp>#include<opencv2\imgproc\imgproc.hpp>#include<opencv2\highgui\highgui.hpp>#include<opencv2\features2d\features2d.hpp>#include <opencv2/nonfree/features2d.hpp>#include<opencv2\legacy\legacy.hpp>#include <opencv2/nonfree/nonfree.hpp>#include<iostream>int main(){    //两张同一物体，不同尺寸的图片    cv::Mat image = cv::imread("D:/images/church01.jpg");    cv::Mat image1 = cv::imread("D:/images/church03.jpg");    ///计算SURF特征点    std::vector<cv::KeyPoint> pts;    std::vector<cv::KeyPoint> pts1;    //定义SURF特征检测类 对象，阈值设置为2500    cv::SurfFeatureDetector surf(2500.);    surf.detect(image, pts);    surf.detect(image1, pts1);    ///提取SURF特征点的描述子    cv::SurfDescriptorExtractor surfD;    //特征点集合的描述子以矩阵形式保存    cv::Mat descri;    cv::Mat descri1;    surfD.compute(image, pts, descri);    surfD.compute(image1, pts1, descri1);    //利用描述子，匹配两张图像中的SURF特点    cv::BruteForceMatcher<cv::L2<float>>mather;    std::vector<cv::DMatch>matches;    //matches，保存匹配结果    mather.match(descri, descri1, matches);    //选取匹配值最高的２５个点    std::nth_element(matches.begin(), matches.begin() + 24, matches.end());    matches.erase(matches.begin() + 25, matches.end());    //画出匹配图像    cv::Mat imageMatches;    cv::drawMatches(image, pts, image1, pts1,        matches, imageMatches, cv::Scalar(255, 0, 0));    //显示结果    cv::namedWindow("Match", CV_WINDOW_FREERATIO);    cv::imshow("Match", imageMatches);    cv::waitKey(0);    return 0;}