使用OpenCV显示SiftGPU提取的特征点和特征匹配

本文档介绍了如何使用SiftGPU提取图像的特征点,并通过OpenCV显示这些特征点和它们的匹配。步骤包括SiftGPU的特征点提取、OpenCV图像读取、特征点类型转换、特征点显示、描述子转换、特征匹配以及匹配结果的OpenCV表示。代码示例中,使用image.txt指定的图像文件进行操作,并展示了在两幅Kermit图像上的应用效果。
摘要由CSDN通过智能技术生成

使用OpenCV显示SiftGPU提取的特征点和特征匹配,主要包括以下几个步骤:

  1. SiftGPU特征点提取
  2. OpenCV读入图像
  3. SiftGPU特征点类型到OpenCV特征点类型KeyPoint的转换
  4. OpenCV特征点显示
  5. SiftGPU描述子类型到OpenCV描述子类型的转换
  6. SiftGPU特征匹配
  7. SiftGPU特征匹配到OpenCV匹配DMatch类型的转换

具体代码如下:
代码采用image.txt输入待处理的图像路径,此处根据自己实际处理的图像自行设置。

#include <stdlib.h>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <GL/glut.h>

#include <boost/timer.hpp>

#include "compare.h"

using namespace std;
using namespace cv;

#if !defined(SIFTGPU_STATIC) && !defined(SIFTGPU_DLL_RUNTIME) 
// SIFTGPU_STATIC comes from compiler
#define SIFTGPU_DLL_RUNTIME
// Load at runtime if the above macro defined
// comment the macro above to use static linking
#endif

#ifdef _WIN32
	#ifdef SIFTGPU_DLL_RUNTIME
		#define WIN32_LEAN_AND_MEAN
		#include <windows.h>
		#define FREE_MYLIB FreeLibrary
		#define GET_MYPROC GetProcAddress
	#else
		//define this to get dll import definition for win32
		#define SIFTGPU_DLL
		#ifdef _DEBUG 
			#pragma comment(lib, "../lib/SIFTGPU.lib")
		#else
			#pragma comment(lib, "../lib/SIFTGPU.lib")
		#endif
	#endif
#else
	#ifdef SIFTGPU_DLL_RUNTIME
	#include <dlfcn.h>
	#define FREE_MYLIB dlclose
	#define GET_MYPROC dlsym
	#endif
#endif

#include <SiftGPU.h>

int main(int argc, char** argv)
{
   
#ifdef SIFTGPU_DLL_RUNTIME
	#ifdef _WIN32
		#ifdef _DEBUG
				HMODULE  hsiftgpu = LoadLibrary("SiftGPU_d.dll");
		#else
				HMODULE  hsiftgpu = LoadLibrary("siftgpu.dll");
		#endif
	#else
			void * hsiftgpu = dlopen("libsiftgpu.so", RTLD_LAZY);
	#endif
			if (hsiftgpu == NULL) {
   
				DWORD error_id = GetLastError();
				cout << "error loading SIFTGPU.dll" << endl;
				cout << "error id is " << error_id << endl;
				system("pause");
				return 0;
			}
#endif

	//声明SiftGPU并初始化  
	SiftGPU sift;
	char* myargv[4] = {
    "-fo", "-1", "-v", "1" };
	sift.ParseParam(4, myargv
  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Python是一种功能强大的编程语言,在计算机视觉领域广泛应用。OpenCV是一个开源的计算机视觉库,提供了许多处理图像和视频的函数和方法。SIFT是一种常用的特征提取算法,可以在图像中检测出关键点,并生成特征向量。在这里,我们将介绍如何使用Python结合OpenCV实现SIFT特征提取与匹配。 使用Python实现SIFT特征提取的基本步骤如下: 1. 导入OpenCV库并读取图像 ``` import cv2 img = cv2.imread('image.jpg') ``` 2. 创建SIFT对象并检测关键点 ``` sift = cv2.xfeatures2d.SIFT_create() kp, des = sift.detectAndCompute(img, None) ``` 通过使用SIFT对象的detectAndCompute()函数,我们可以对图像进行关键点检测和特征描述符提取,并将结果保存在两个变量kp和des中。 3. 可视化关键点并保存图像 ``` img_kp = cv2.drawKeypoints(img, kp, None) cv2.imshow('Keypoints', img_kp) cv2.imwrite('output.jpg', img_kp) cv2.waitKey() ``` 在这个步骤中,我们使用drawKeypoints()函数将检测到的关键点绘制在图像上,并可以通过imshow()函数显示图像。然后,我们可以使用imwrite()函数将图像保存到本地。 实现SIFT特征匹配的基本步骤如下: 1. 读取并检测两张图像的关键点和描述符 ``` import cv2 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') sift = cv2.xfeatures2d.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) ``` 2. 创建并运行暴力匹配器 ``` bf = cv2.BFMatcher() matches = bf.knnMatch(des1, des2, k=2) ``` 3. 使用比值测试来筛选出良好的匹配 ``` good_matches = [] for m, n in matches: if m.distance < 0.75 * n.distance: good_matches.append([m]) ``` 4. 可视化匹配点并保存图像 ``` img_matched = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good_matches, None, flags=2) cv2.imshow('Matching result', img_matched) cv2.imwrite('output.jpg', img_matched) cv2.waitKey() ``` 在步骤2中,我们使用了暴力匹配器BFMatcher()来对特征描述符进行匹配。knnMatch()函数返回的是最近邻和次近邻的描述符距离,我们可以用比值测试筛选出距离最近的描述符,并将其作为好的匹配。最后,我们使用drawMatchesKnn()可以将匹配点绘制在图像上,并通过imshow()函数显示图像。最后,我们可以通过imwrite()函数保存图像。 综上所述,使用Python结合OpenCV实现SIFT特征提取和匹配非常简单。利用OpenCV中的函数和方法,我们可以轻松地处理图像和视频,实现各种计算机视觉应用。
评论 1
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