使用OpenCV显示SiftGPU提取的特征点和特征匹配

最新推荐文章于 2023-06-21 16:31:59 发布
最新推荐文章于 2023-06-21 16:31:59 发布
阅读量2.3k 收藏 12
点赞数 1
分类专栏： OpenCV学习 三维重建
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/aileennut/article/details/102880934
版权

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);
	//检查硬件是否支持SiftGPU  
	int support = sift.CreateContextGL();
	if (support != SiftGPU::SIFTGPU_FULL_SUPPORTED)
	{
		cerr << "SiftGPU is not supported!" << endl;
		return 2;
	}
	//读入txt文件列表内的图像名
	vector<string> imageNames;
	string fileName;
	int imgCount = 0;
	ifstream fin("image.txt");
	while (getline(fin, fileName)){
		imgCount++;
		imageNames.push_back(fileName);
	}
	if (imgCount == 0){
		cerr << "cannot get image files" << endl;
		return 1;
	}
	else{
		cout << "Read In " << imgCount << "  Pictures" << endl;
	}
	//OpenCV读入图像
	vector<Mat> images;
	for (int i = 0; i < imgCount; ++i){
		Mat temp = imread(imageNames[i]);
		images.push_back(temp);
	}
	cout << "OpenCV Read in " << images.size() << " images" << endl;
	//SiftGPU读入图像并处理
	vector<int> num;
	vector<vector<float>> descriptors;
	vector<vector<SiftGPU::SiftKeypoint>> keys;
	for (int i = 0; i < imgCount; ++i){
		const char* temp = imageNames[i].data();
		sift.RunSIFT(temp);
		int _num = sift.GetFeatureNum();
		num.push_back(_num);
		cout << "Keypoints Number of " << imageNames[i] << " is= " << _num << endl << endl;
		vector<SiftGPU::SiftKeypoint> _keys;
		vector<float> _descriptors;
		_keys.resize(_num);
		_descriptors.resize(128*_num);
		sift.GetFeatureVector(&_keys[0], &_descriptors[0]);	
		keys.push_back(_keys);
		descriptors.push_back(_descriptors);
	}
	//SiftGPU的特征点赋值于OpenCV关键点类型
	vector<vector<KeyPoint>> cvKeypoints;
	for (int i = 0; i < imgCount; ++i){
		vector<KeyPoint> cvKeys;
		for (int j = 0; j < keys[i].size(); ++j){
			KeyPoint cvTempKey;
			cvTempKey.pt.x = keys[i][j].x;
			cvTempKey.pt.y = keys[i][j].y;
			cvKeys.push_back(cvTempKey);
		}
		cvKeypoints.push_back(cvKeys);
	}
	//验证第i张图片的特征点数是否相同
	for (int i = 0; i < imgCount; ++i){
		if (cvKeypoints[i].size() != keys[i].size())
			cerr << "Image " << i << "'s Keypoints Number isn't correct." << endl;
	}
	//使用OpenCV接口显示关键点
	for (int i = 0; i < imgCount; ++i){
		Mat featureImage;
		drawKeypoints(images[i], cvKeypoints[i], featureImage, Scalar(255, 255, 255), DrawMatchesFlags::DEFAULT);
		namedWindow("Sift Keypoints",WINDOW_NORMAL);
		imshow("Sift Keypoints", featureImage);
		waitKey(0);
	}

	//SiftGPU的描述子赋值于OpenCV描述子类型
	vector<Mat> cvDescriptors(imgCount);  //每个Mat内部是num行，128列的特征点描述矩阵
	for (int inum = 0; inum < imgCount; ++inum){
		//图i的SiftGPU的描述子_des
		vector<vector<float>> _des;
		for (int sj = 0; sj < num[inum]; ++sj){
			vector<float> temp(128, 0.0);
			for (int sk = 0; sk < 128; ++sk){
				temp[sk] = descriptors[inum][sk + 128 * sj];
			}
			_des.push_back(temp);
		}
		//图i的OpenCV描述子_cvDes
		Mat _cvDes(num[inum], 128, CV_32F);		
		for (int cj = 0; cj < num[inum]; ++cj){
			float* pxDesMat = _cvDes.ptr<float>(cj);
			for (int ck = 0; ck < 128; ++ck){
				pxDesMat[ck] = _des[cj][ck];
			}
		}
		输出_des的极值
		//float smax = _des[0][0];
		//float smin = _des[0][0];
		//for (int simm = 0; simm < _des.size(); ++simm){
		//	for (int sjmm = 0; sjmm < 128; ++sjmm){
		//		if (smax < _des[simm][sjmm])
		//			smax = _des[simm][sjmm];
		//		if (smin > _des[simm][sjmm])
		//			smin = _des[simm][sjmm];
		//	}
		//}
		//cout << "SiftGPU Descriptors Max= " << smax << " , Min=" << smin << endl;
		输出_cvDes的极值
		//float cmax = _cvDes.at<float>(0, 0);
		//float cmin = _cvDes.at<float>(0, 0);
		//for (int cimm = 0; cimm < _cvDes.rows; ++cimm){
		//	for (int cjmm = 0; cjmm < 128; ++cjmm){
		//		if (cmax < _cvDes.at<float>(cimm,cjmm))
		//			cmax = _cvDes.at<float>(cimm, cjmm);
		//		if (cmin > _cvDes.at<float>(cimm, cjmm))
		//			cmin = _cvDes.at<float>(cimm, cjmm);
		//	}
		//}
		//cout << "OpenCV Descriptors Max= " << cmax << " , Min=" << cmin << endl;
		cvDescriptors.push_back(_cvDes);
	}
	map<pair<int, int>, vector<DMatch>> matches_matrix;
	map<pair<int, int>, int> matches_num;
	SiftMatchGPU matcher;
	matcher.VerifyContextGL();
	for (int i = 0; i < imgCount - 1; ++i){
		for (int j = i + 1; j < imgCount; ++j){
			matcher.SetDescriptors(0, num[i], &descriptors[i][0]);
			matcher.SetDescriptors(1, num[j], &descriptors[j][0]);
			int(*match_buf)[2] = new int[num[i]][2];
			int num_match = matcher.GetSiftMatch(num[i], match_buf);
			matches_num[make_pair(i, j)] = num_match;
			cout << "Matches between Image" << i << " and Image" << j << " are " << num_match << endl;
			//定义OpenCV的match类型，并赋值quryIdx和trainIdx
			vector<DMatch> matches_tmp;
			for (int mk = 0; mk < num_match; ++mk){
				DMatch match;
				match.queryIdx = match_buf[mk][0];
				match.trainIdx = match_buf[mk][1];
				Point2f p1, p2;
				p1.x = cvKeypoints[i][match.queryIdx].pt.x;
				p1.y = cvKeypoints[i][match.queryIdx].pt.y;
				p2.x = cvKeypoints[j][match.trainIdx].pt.x;
				p2.y = cvKeypoints[j][match.trainIdx].pt.y;
				float dist;
				dist = (float)sqrtf(((p1.x - p2.x)*(p1.x - p2.x) + (p1.y - p2.y)*(p1.y - p2.y)));
				match.distance = dist;
				//cout << "Image" << i << " & Image" << j << " Match " << mk << ": " << endl;
				//cout << "Idx: queryIdx is= " << match.queryIdx << " , trainIdx is= " << match.trainIdx << endl;
				//cout << "                         Keypoint1: " << p1.x << "   " << p1.y << endl;
				//cout << "                         Keypoint2: " << p2.x << "   " << p2.y << endl;
				//cout << "                         Distance: " << match.distance << endl;
				matches_tmp.push_back(match);
			}
			matches_matrix[make_pair(i, j)] = matches_tmp;
			delete[] match_buf;
			//OpenCV匹配显示
			Mat cvImgMatches;
			drawMatches(images[i], cvKeypoints[i], images[j], cvKeypoints[j], matches_tmp, cvImgMatches);
			char showName[100];
			sprintf(showName, "%s%d%s%d", "Matches between ", i, " and ", j);
			namedWindow(showName, WINDOW_NORMAL);
			imshow(showName, cvImgMatches);
			waitKey(0);
		}
	}
	system("pause");
	return 0;
}

使用两幅Kermit图像进行测试的显示结果：
在这里插入图片描述在这里插入图片描述在这里插入图片描述控制台输出：
在这里插入图片描述

坚果壳er
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
使用GPU加速的SIFT算法
05-02
著名的SIFT算法，但是经过改造，可以充分利用GPU进行运算加速。
OpenCV C++ SIFT 特征匹配
最新发布
m0_73782904的博客
03-27 405
【代码】OpenCV C++ SIFT 特征匹配。
利用GPU加速的SIFT算法，实现影像匹配，并利用RANSAC进行粗差的剔除
04-30
利用GPU加速的SIFT算法，实现影像匹配，并利用RANSAC进行粗差的剔除(GPU-accelerated use SIFT algorithm to achieve image matching, and use RANSAC removing coarse poor)
python利用opencv实现SIFT特征提取与匹配
09-17
主要为大家详细介绍了python利用opencv实现SIFT特征提取与匹配，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
opencv-python 提取sift特征并匹配的实例
01-21
我就废话不多说，直接上代码吧！ # -*- coding: utf-8 -*- import cv2 import numpy as np from find_obj import filter_matches,explore_match from matplotlib import pyplot as plt def getSift(): ''' 得到并查看sift特征 ''' img_path1 = '../../data/home.jpg' #读取图像 img = cv2.imread(img_path1) #转换为灰度图 gray= cv2.cvtCo
cuda 实现sift gpu_OpenCV 4.4 发布！SIFT移到主库，新增YOLOv4 和 EfficientDet 支持
weixin_39792472的博客
11-27 1387
OpenCV 2020 夏季版如约而至，收录了不少State-of-the-art 和经典算法，我们一起来看看吧！历史性重大更新！SIFT算法因专利到期，成为公有技术，其OpenCV实现被移到主仓库。推荐阅读：一代传奇 SIFT 算法 专利到期！新增特性：1. 支持 YOLOv4！OpenCV一直对较为实用的YOLO系列算法情有独钟。2. ONNX增加支持Resnet_backbone 3. 支持...
SIFTGPU编译及测试
Z5122的博客
12-02 1507
由于COLMAP编译后生成的静态库中包含了SIFTGPU库，COLMAP编译过程：
利用Cmake-gui编译opencv4.5.1+opencv_contrib+gpu模块
qq_42221707的博客
12-04 1166
opencv4.5.1可以用SURF/SIFT等，主要也是为了使用gpu模块进行加速。
【OpenCV-Python】28.OpenCV的特征检测——特征点检测
每天都在学习的小博主
12-29 4646
28.OpenCV的特征检测——特征点检测 文章目录前言一、FAST特征检测二、SIFT特征检测三、ORB特征检测四、OpenCV-Python资源下载总结 前言   特征点是图像中具有唯一性的像素，也称兴趣点或者关键点。角是特殊的特征点。 一、FAST特征检测   FAST特征检测器主要根据像素周围16个像素的强度和阈值等参数来判断像素点是否为关键点。   在OpenCV中可调用cv2.FastFeatureDetector_create()函数创建一个FAST对象，然后调用FAST对象的dete
SIFT、ORB算法（SSE，GPU）加速
dlphay的博客
01-10 6635
对于特征点匹配算法，特征点的提取计算消耗的时间决定了算法是否能达到实时的要求，在速度提升上面做了一些工作总结 特点和区别 SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。 ORB：An Efficient Alternative to SIFT or SURF”的文章中提出：http://iee
Sift特征点提取与匹配（opencv库）
06-25
一个cpp文件。 功能：利用opencv库对SIFT角点进行提取，并进行匹配，最后画出匹配示意图。程序逻辑简单，可以在内部自由改动。
sift特征提取与匹配C++范例(基于opencv、VS17)
05-21
sift特征提取与匹配C++代码，1000行完整代码，超详细注释，基本每五行一注释，有少许BUG。 1.提取特征点算法（包括尺度空间的极值探测、关键点的精确定位、确定关键点的主方向、关键点的描述）； 2.匹配算法 3.运行需要调用openCV3.4.0库。
Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配
01-13
Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配
C# opencvsharp sift和surf特征点匹配演示源码
02-01
测试环境： vs2019, netframework4.7.2,opencvhsarp4.8.0 博客地址： blog.csdn.net/FL1623863129/article/details/135972875
【opencv3.3】VS2015+opencv3.3 GPU模块编译（包含opencv_contrib模块）
小白笔记本
11-15 1万+
据官方说法，目前还不是太稳定的算法模块都在opencv_contrib里边，由于不稳定，所以不能在release版本里发行，只有在稳定以后才会放进release里边。但是这里边有很多我们经常要用的算法，比如SIFT，SURF等（在xfeatures2d 模块里边）。官网提供了说明，可以把opencv_contrib扩展模块添加编译到已安装的opencv3里边。 同时我们还需要编译opencv的G
SiftGPU：编译SiftGPU出现问题-无法解析的外部符号 glutInit
wishchinYang的专栏
04-05 1953
SiftGPU的原始库可以编译通过。但不能使用，在使用时引出了一连串96个编译错误。
opencv如何使用GPU的三种方法
热门推荐
weixin_42010722的博客
06-21 1万+
我在工作实验涉及到图像和视频处理时，通常使用opencv提供的库来做处理，虽然OpenCV是一个广泛使用的库，它提供了丰富的功能和工具。然而，有时候在处理大量图片或视频时，我们可能会面临速度受限的问题。opencv执行图像处理，就跟我们电脑一样，打游戏CPU是来加载处理数据的，显卡（GPU）是来渲染图像。下面由我助理来介绍如何本文的内容吧。
OpenCV(Scale Invariant Feature Transform（SIFT))尺度不变特征变换
phthon1997的博客
02-09 589
咋一看这个名字，我也蒙了，这啥玩意？ 其实在介绍这个之前，就是如果我们很远看一幅图就大概知道是什么，在不同尺度下，计算机可以提取出一个统一的特征，这就是SIFT 图像尺度空间： 在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同的尺度下都存在的特点。 尺度空间的获取通常使用高斯模糊来实现 ...
python利用opencv实现sift特征提取与匹配_python
04-30
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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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