OpenCV成长之路(9):特征点检测与图像匹配

14 篇文章 0 订阅
4 篇文章 0 订阅

OpenCV成长之路(

特征点检测与图像匹配)
 原文出处:  Ronny 的博客(@RonnyYoung)    


特征点又称兴趣点、关键点,它是在图像中突出且具有代表意义的一些点,通过这些点我们可以用来识别图像、进行图像配准、进行3D重建等。本文主要介绍OpenCV中几种定位与表示关键点的函数。

一、Harris角点

角点是图像中最基本的一种关键点,它是由图像中一些几何结构的关节点构成,很多都是线条之间产生的交点。Harris角点是一类比较经典的角点类型,它的基本原理是计算图像中每点与周围点变化率的平均值。

  (1)

 (2)

其中I(x+u,y+u)代表了点(x,y)邻域点的灰度值。通过变换可以将上式变化为一个协方差矩阵求特征值的问题(2),具体数学原理本文不过多描述。

OpenCV的Hairrs角点检测的函数为cornerHairrs(),但是它的输出是一幅浮点值图像,浮点值越高,表明越可能是特征角点,我们需要对图像进行阈值化。我们使用一张建筑图像来显示:

1
2
3
4
5
6
7
8
9
10
11
int main()
{
     Mat image=imread( "../buliding.png" );
     Mat gray;
     cvtColor(image,gray,CV_BGR2GRAY);
 
     Mat cornerStrength;
     cornerHarris(gray,cornerStrength,3,3,0.01);
     threshold(cornerStrength,cornerStrength,0.001,255,THRESH_BINARY);
     return 0;
}

首先我们来说明一下cornerHairrs()这个函数参数的意思:

前2参数是输入与输出,输入是一个灰度图像,输出是一个浮点图像,第三个参数指定角点分析的邻域,第4个参数实际上在角点求取过程中计算梯度图像的核窗口大小,第5个参数是它原理公式(2)中的一个系数。

从上面的例子的结果我们可以看到,有很多角点都是粘连在一起的,我们下面通过加入非极大值抑制来进一步去除一些粘在一起的角点。

非极大值抑制原理是,在一个窗口内,如果有多个角点则用值最大的那个角点,其他的角点都删除,窗口大小这里我们用3*3,程序中通过图像的膨胀运算来达到检测极大值的目的,因为默认参数的膨胀运算就是用窗口内的最大值替代当前的灰度值。程序的最后使用了一个画角点的函数将角点显示在图像中,这个函数与本系列第5篇中画角点的函数是一致的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
int main()
{
     Mat image=imread( "../buliding.png" );
     Mat gray;
     cvtColor(image,gray,CV_BGR2GRAY);
 
     Mat cornerStrength;
     cornerHarris(gray,cornerStrength,3,3,0.01);
 
     double maxStrength;
     double minStrength;
     // 找到图像中的最大、最小值
     minMaxLoc(cornerStrength,&minStrength,&maxStrength);
 
     Mat dilated;
     Mat locaMax;
     // 膨胀图像,最找出图像中全部的局部最大值点
     dilate(cornerStrength,dilated,Mat());
     // compare是一个逻辑比较函数,返回两幅图像中对应点相同的二值图像
     compare(cornerStrength,dilated,locaMax,CMP_EQ);
 
     Mat cornerMap;
     double qualityLevel=0.01;
     double th=qualityLevel*maxStrength; // 阈值计算
     threshold(cornerStrength,cornerMap,th,255,THRESH_BINARY);
     cornerMap.convertTo(cornerMap,CV_8U);
     // 逐点的位运算
     bitwise_and(cornerMap,locaMax,cornerMap);
 
     drawCornerOnImage(image,cornerMap);
     namedWindow( "result" );
     imshow( "result" ,image);
     waitKey();
 
     return 0;
}
void drawCornerOnImage(Mat& image, const Mat&binary)
{
     Mat_<uchar>::const_iterator it=binary.begin<uchar>();
     Mat_<uchar>::const_iterator itd=binary.end<uchar>();
     for ( int i=0;it!=itd;it++,i++)
     {
         if (*it)
             circle(image,Point(i%image.cols,i/image.cols),3,Scalar(0,255,0),1);   
     }
}

现在我们得到的效果就比默认的函数得到的结果有相当的改善。

由于cornerHarris的一些缺点,OpenCV提供了另一个相似的函数GoodFeaturesToTrack()它用角点间的距离限制来防止角点粘连在一起。

1
2
3
4
goodFeaturesToTrack(image,corner,
                   500,    // 最多检测到的角点数
                      0.01,    // 阈值系数
                      10);    // 角点间的最小距离

它可以得到与上面基本一致的结果。

二、FAST特征点

harris特征在算法复杂性上比较高,在大的复杂的目标识别或匹配应用上效率不能满足要求,OpenCV提供了一个快速检测角点的类FastFeatureDetector,而实际上FAST并不是快的意思,而是Features from Accelerated Segment Test,但这个算法效率确实比较高,下面我们来看看这个类的用法。

OpenCV里为角点检测提供了统一的接口,通过类下面的detect方法来检测对应的角点,而输出格式都是vector<KeyPoint>。

1
2
3
4
5
6
7
vector<KeyPoint> keypoints;
FastFeatureDetector fast( // 定义检测类
     40); //40是检测的阈值
fast.detect(image,keypoints);
 
drawKeypoints(image,keypoints,image,Scalar(255,0,0),
     DrawMatchesFlags::DRAW_OVER_OUTIMG);

其中drawKeypoints是OpenCV提供的在图像上画角点的函数。它的参数可以让我们选择用不同的方式标记出特征点。

三、尺度不变的SURF特征

surf特征是类似于SIFT特征的一种尺度不变的特征点,它的优点在于比SIFT效率要高,在实际运算中可以达到实时性的要求,关于SURF的原理这里就不过多的介绍,网络上这类的文章很多。

类似于FAST特征点的求法,SURF也可以使用通用接口求得,而SURF特征的类为SurfFeatureDetector,类似的SIFT特征点的检测类为SiftFeatureDetector。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/nonfree/features2d.hpp>
 
using namespace cv;
 
int main()
{
     Mat image=imread( "../buliding.png" );
 
     vector<KeyPoint> keypoints;
 
     SurfFeatureDetector surf(2500.);
     surf.detect(image,keypoints);
 
     drawKeypoints(image,keypoints,image,Scalar(255,0,0),
         DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
     namedWindow( "result" );
     imshow( "result" ,image);
     waitKey();
 
     return 0;
}

这里有一个值得说明的问题是:OpenCV2.4版本后好像把SurfFeatureDetector这个类的定义移到了头文件nonfree/features2d.hpp

中,所以头文件中要加入该文件,并且要把opencv_nonfree24xd.lib加入属性表的链接器熟悉的输入中,其中x换成你当前opencv的版本号。

最终的显示效果如下:

四、SURF特征的描述

在图像配准中,特征点的描述往往不是位置这么简单,而是使用了一个N维向量来描述一个特征点,这些描述子之间可以通过定义距离公式来比较相近程度。

SurfDescriptorExtractor 是一个提取SURF特征点以及其描述的类。

下面是一个宽景图像的拼接配准的例子:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
# include <opencv2/core/core.hpp>
# include <opencv2/highgui/highgui.hpp>
# include <opencv2/nonfree/features2d.hpp>
# include <opencv2/legacy/legacy.hpp>
 
using namespace cv;
int main()
{
     Mat image1=imread( "../b1.png" );
     Mat image2=imread( "../b2.png" );
     // 检测surf特征点
     vector<KeyPoint> keypoints1,keypoints2;    
     SurfFeatureDetector detector( 400 );
     detector.detect(image1, keypoints1);
     detector.detect(image2, keypoints2);
     // 描述surf特征点
     SurfDescriptorExtractor surfDesc;
     Mat descriptros1,descriptros2;
     surfDesc.compute(image1,keypoints1,descriptros1);
     surfDesc.compute(image2,keypoints2,descriptros2);
 
     // 计算匹配点数
     BruteForceMatcher<L2<float>>matcher;
     vector<DMatch> matches;
     matcher.match(descriptros1,descriptros2,matches);
     std::nth_element(matches.begin(),matches.begin()+ 24 ,matches.end());
     matches.erase(matches.begin()+ 25 ,matches.end());
     // 画出匹配图
     Mat imageMatches;
     drawMatches(image1,keypoints1,image2,keypoints2,matches,
         imageMatches,Scalar( 255 , 0 , 0 ));
 
     namedWindow( "image2" );
     imshow( "image2" ,image2);
     waitKey();
 
     return 0 ;
}

程序中我们选择了25个配准点,得到最后的匹配如下:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值