一、重映射
1.1、简介
重映射在图像处理中主要的功能为:将一个图像中一个位置的像素放置到另一个图像指定位置的过程,可以根据自己设定的函数将图像进行变换,较常见的功能有关于x轴翻转,关于y轴翻转,关于x、y轴翻转。为了完成映射过程,有必要获得一些插值为非整数像素坐标,因为源图像与目标图像的像素坐标不是一一对应的。在实际应用中,我们通过重映射来表达每个像素的位置 (x,y),转换关系如下图所示 :
其中 g( ) 是目标图像, f( ) 是源图像, h(x,y) 是作用于 (x,y) 的映射方法函数。在openCV中是通过 remap( )函数来实现重映射功能。
1.2、remap( )函数解析
remap( )函数的原型和参数如下:
C++: void remap(InputArray src,
OutputArraydst,
InputArray map1,
InputArray map2,
int interpolation,
int borderMode=BORDER_CONSTANT,
const Scalar& borderValue=Scalar( ) )
参数解析:
第一个参数,InputArray类型的src,输入图像,即源图像,填Mat类的对象即可,且需为单通道8位或者浮点型图像。
第二个参数,OutputArray类型的dst,函数调用后的运算结果存在这里,即这个参数用于存放函数调用后的输出结果,和源图片有一样的尺寸和类型。
第三个参数,InputArray类型的map1,它有两种可能的表示对象。
(1)表示点(x,y)的第一个映射。
(2)表示CV_16SC2 , CV_32FC1 或CV_32FC2类型的X值。
第四个参数,InputArray类型的map2,同样,它也有两种可能的表示对象,而且它是根据map1来确定表示那种对象。
(1)若map1表示点(x,y)时。这个参数不代表任何值。
(2)表示CV_16UC1 , CV_32FC1类型的Y值(第二个值)。
第五个参数,int类型的interpolation,插值方式,之前的resize( )函数中有讲到,需要注意,resize( )函数中提到的INTER_AREA插值方式在这里是不支持的,所以可选的插值方式如下:
(1)INTER_NEAREST - 最近邻插值;
(2)INTER_LINEAR – 双线性插值(默认值);
(3)INTER_CUBIC – 双三次样条插值(逾4×4像素邻域内的双三次插值);
(4)INTER_LANCZOS4 -Lanczos插值(逾8×8像素邻域的Lanczos插值)。
第六个参数,int类型的borderMode,边界模式,有默认值BORDER_CONSTANT,表示目标图像中“离群点(outliers)”的像素值不会被此函数修改。
第七个参数,const Scalar&类型的borderValue,当有常数边界时使用的值,其有默认值Scalar( ),即默认值为0。
1.3、重映射实例
1、代码
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace cv;
int main()
{
//【0】变量定义
Mat srcImage, dstImage;
Mat map_x, map_y;
//【1】载入原始图
srcImage = imread("1.jpg", 1);
if (!srcImage.data) { printf("读取图片错误,请确定目录下是否有imread函数指定的图片存在~! \n"); return false; }
imshow("原始图", srcImage);
//【2】创建和原始图一样的效果图,x重映射图,y重映射图
dstImage.create(srcImage.size(), srcImage.type());
map_x.create(srcImage.size(), CV_32FC1);
map_y.create(srcImage.size(), CV_32FC1);
//【3】双层循环,遍历每一个像素点,改变map_x & map_y的值
for (int j = 0; j < srcImage.rows; j++)
{
for (int i = 0; i < srcImage.cols; i++)
{
//改变map_x & map_y的值.
map_x.at<float>(j, i) = static_cast<float>(srcImage.cols-i);
map_y.at<float>(j, i) = static_cast<float>(j);
}
}
//【4】进行重映射操作
remap(srcImage, dstImage, map_x, map_y, CV_INTER_LINEAR, BORDER_CONSTANT, Scalar(0, 0, 0));
//【5】显示效果图
imshow("【程序窗口】", dstImage);
waitKey();
return 0;
}
2、运行结果
(1)原图
(2)重映射效果图
二、利用SURF算法进行特征点检测
2.1、SURF算法简介
Speeded Up Robust Features(SURF,加速稳健特征)是一种稳健的局部特征点检测和描述算法。最初由Herbert Bay发表在2006年的欧洲计算机视觉国际会议(Europen Conference on Computer Vision,ECCV)上,并在2008年正式发表在Computer Vision and Image Understanding期刊上。
Surf是对David Lowe在1999年提出的Sift算法的改进,提升了算法的执行效率,为算法在实时计算机视觉系统中应用提供了可能。与Sift算法一样,Surf算法的基本路程可以分为三大部分:局部特征点的提取、特征点的描述、特征点的匹配。但Surf在执行效率上有两大制胜法宝——一个是积分图在Hessian(黑塞矩阵)上的使用,一个是降维的特征描述子的使用。一般来说,标准的SURF算子比SIFT算子快好几倍,并且在多幅图片下具有更好的稳定性。
Surf改进了Sift算法的特征提取和描述方式,用一种更为高效的方式完成特征的提取和描述,具体实现流程如下:
(1) 构建Hessian(黑塞矩阵),生成所有的兴趣点,将其用于特征的提取;
(2)构建尺度空间;
(3) 特征点定位;
(4)特征点主方向分配;
(5) 生成特征点描述子;
(6)特征点匹配。
2.2、drawKeypoints( )函数解析
void drawKeypoints(const Mat&image,
const vector<KeyPoint>& keypoints,
constScalar& color=Scalar::all(-1),
int flags=DrawMatchesFlags::DEFAULT )
第一个参数,const Mat&类型的src,输入图像。
第二个参数,const vector&类型的keypoints,根据源图像得到的特征点,它是一个输出参数。
第三个参数,Mat&类型的outImage,输出图像,其内容取决于第五个参数标识符falgs。
第四个参数,const Scalar&类型的color,关键点的颜色,有默认值Scalar::all(-1)。
第五个参数,int类型的flags,绘制关键点的特征标识符,有默认值DrawMatchesFlags::DEFAULT。可以选取别的值。
2.3、SURF特征点检测实例
1、下面实现特征点的功能需要用到下面几点:
(1)使用 FeatureDetector 接口来发现感兴趣点;
(2)使用 SurfFeatureDetector 以及其函数 detect 来实现检测过程;
(3)使用函数 drawKeypoints 绘制检测到的关键点。
2、代码
#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include <iostream>
using namespace cv;
int main(int argc, char** argv)
{
//【0】改变console字体颜色
system("color 2F");
//【1】载入源图片并显示
Mat srcImage1 = imread("1.jpg", 1);
Mat srcImage2 = imread("2.jpg", 1);
if (!srcImage1.data || !srcImage2.data)//检测是否读取成功
{
printf("读取图片错误,请确定目录下是否有imread函数指定名称的图片存在~! \n"); return false;
}
imshow("原始图1", srcImage1);
imshow("原始图2", srcImage2);
//【2】定义需要用到的变量和类
int minHessian = 400;//定义SURF中的hessian阈值特征点检测算子
SurfFeatureDetector detector(minHessian);//定义一个SurfFeatureDetector(SURF) 特征检测类对象
std::vector<KeyPoint> keypoints_1, keypoints_2;//vector模板类是能够存放任意类型的动态数组,能够增加和压缩数据
//【3】调用detect函数检测出SURF特征关键点,保存在vector容器中
detector.detect(srcImage1, keypoints_1);
detector.detect(srcImage2, keypoints_2);
//【4】绘制特征关键点
Mat img_keypoints_1;
Mat img_keypoints_2;
drawKeypoints(srcImage1, keypoints_1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
drawKeypoints(srcImage2, keypoints_2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
//【5】显示效果图
imshow("特征点检测效果图1", img_keypoints_1);
imshow("特征点检测效果图2", img_keypoints_2);
waitKey(0);
return 0;
}
3、运行结果
(1)原图
(2)特征点检测效果
三、SURF特征点匹配
3.1、FLANN匹配算法简介
FLANN (Fast_Library_for_Approximate_Nearest_Neighbors)意为快速最近邻搜索包。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合,而且这些算法都已经被优化过了。在面对大数据集时它的效果要好于 BFMatcher。 经验证,FLANN比其他的最近邻搜索软件快10倍。
3.2、代码
///SURF特征点匹配
#include "opencv2/opencv.hpp"
using namespace cv;
#include "opencv2/nonfree/nonfree.hpp"//SURF相关
#include "opencv2/legacy/legacy.hpp"//匹配器相关
#include <iostream>
using namespace std;
int main()
{
//1.SURF特征点提取——detect()方法
Mat srcImg1 = imread("1.jpg", CV_LOAD_IMAGE_COLOR);
Mat srcImg2 = imread("2.jpg", CV_LOAD_IMAGE_COLOR);
Mat dstImg1, dstImg2;
//定义SURF特征检测类对象
SurfFeatureDetector surfDetector;//SurfFeatureDetector是SURF类的别名
//定义KeyPoint变量
vector<KeyPoint> keyPoints1;
vector<KeyPoint> keyPoints2;
//特征点检测
surfDetector.detect(srcImg1, keyPoints1);
surfDetector.detect(srcImg2, keyPoints2);
//绘制特征点(关键点)
drawKeypoints(srcImg1, keyPoints1, dstImg1);
drawKeypoints(srcImg2, keyPoints2, dstImg2);
//显示结果
imshow("dstImg1", dstImg1);
imshow("dstImg2", dstImg2);
//2.特征点描述符(特征向量)提取——compute()方法
SurfDescriptorExtractor descriptor;//SurfDescriptorExtractor是SURF类的别名
Mat description1;
Mat description2;
descriptor.compute(srcImg1, keyPoints1, description1);
descriptor.compute(srcImg2, keyPoints2, description2);
//3.使用Flann匹配器进行匹配——FlannBasedMatcher类的match()方法
FlannBasedMatcher matcher;//实例化Flann匹配器
vector<DMatch> matches;
matcher.match(description1, description2, matches);
//4.对匹配结果进行筛选(依据DMatch结构体中的float类型变量distance进行筛选)
float minDistance = 100;
float maxDistance = 0;
for (int i = 0; i < matches.size(); i++)
{
if (matches[i].distance < minDistance)
minDistance = matches[i].distance;
if (matches[i].distance > maxDistance)
maxDistance = matches[i].distance;
}
cout << "minDistance: " << minDistance << endl;
cout << "maxDistance: " << maxDistance << endl;
vector<DMatch> goodMatches;
for (int i = 0; i < matches.size(); i++)
{
if (matches[i].distance < 2 * minDistance)
{
goodMatches.push_back(matches[i]);
}
}
//5.绘制匹配结果——drawMatches()
Mat dstImg3;
drawMatches(srcImg1, keyPoints1, srcImg2, keyPoints2, goodMatches, dstImg3);
imshow("dstImg3", dstImg3);
waitKey(0);
return 0;
}
3.3、运行结果
(1)原图
(2)特征匹配结果