OpenCV2.4.4中调用SIFT特征检测器进行图像匹配

原文：http://blog.csdn.net/masibuaa/article/details/8998601

OpenCV中一些相关结构说明：

特征点类：

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

存放匹配结果的结构：

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;  //此匹配对应的查询图像的特征描述子索引      inttrainIdx;   //此匹配对应的训练(模板)图像的特征描述子索引      intimgIdx;    //训练图像的索引(若有多个)      float distance;  //两个特征向量之间的欧氏距离，越小表明匹配度越高。      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)。

#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特征检测器      Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器      Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器      if( detector.empty() || descriptor_extractor.empty() )          cout<<"fail to create detector!";        //读入图像      Mat img1 = imread("desk.jpg");      Mat img2 = imread("desk_glue.jpg");        //特征点检测      double t = getTickCount();//当前滴答数      vector<KeyPoint> keypoints1,keypoints2;      detector->detect( img1, keypoints1 );//检测img1中的SIFT特征点，存储到keypoints1中      detector->detect( img2, keypoints2 );      cout<<"图像1特征点个数:"<<keypoints1.size()<<endl;      cout<<"图像2特征点个数:"<<keypoints2.size()<<endl;        //根据特征点计算特征描述子矩阵，即特征向量矩阵      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<<"图像1特征描述矩阵大小："<<descriptors1.size()          <<"，特征向量个数："<<descriptors1.rows<<"，维数："<<descriptors1.cols<<endl;      cout<<"图像2特征描述矩阵大小："<<descriptors2.size()          <<"，特征向量个数："<<descriptors2.rows<<"，维数："<<descriptors2.cols<<endl;        //画出特征点      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);        //特征匹配      vector<DMatch> matches;//匹配结果      descriptor_matcher->match( descriptors1, descriptors2, matches );//匹配两个图像的特征矩阵      cout<<"Match个数："<<matches.size()<<endl;        //计算匹配结果中距离的最大和最小值      //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      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;        //筛选出较好的匹配点      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;        //画出匹配结果      Mat img_matches;      //红色连接的是匹配的特征点对，绿色是未匹配的特征点      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;  }  

结果：

效果图：

源码下载：

http://download.csdn.net/detail/masikkk/5511831

当然，这些匹配还没有经过系统的筛选，还存在大量的错配，关于匹配的筛选参见这篇文章：

 利用RANSAC算法筛选SIFT特征匹配

以及RobHess的SIFT源码分析系列文章：http://blog.csdn.net/masibuaa/article/details/9191309