#include<opencv2/opencv.hpp>
#include<iostream>
#include<vector>
using namespace cv;
using namespace std;
int main()
{
Mat srcImage = imread("NIBook.jpg");
imshow("【原图】", srcImage);
//对BGR空间的图像直接进行计算很费时间,所以,需要转换为灰度图
Mat srcGrayImage;
cvtColor(srcImage, srcGrayImage, CV_BGR2GRAY);
//首先对两幅图像进行特征点的检测和描述子的计算
vector<KeyPoint> keyPoint1;
SURF surf;
surf.detect(srcGrayImage, keyPoint1);
Mat descriImage1;
surf.compute(srcGrayImage, keyPoint1, descriImage1);
//先对原图的描述子进行保留
FlannBasedMatcher FLMatcher;
//因为FlannBasedMatcher类的成员函数add()的参数是一个vector<Mat>的容器,所以先定义一个这样的变量,并将原图的描述子放入容器中
vector<Mat> g_vdescriImage1(1, descriImage1);
/*g_vdescriImage1.push_back(descriImage1);*/
//调用FlannBasedMatcher类的成员函数add,将原图的描述子放在FlannBasedMatcher的对象FLMatcher中
FLMatcher.add(g_vdescriImage1);
//...........................................................
FLMatcher.train();
opencv3中FLANN结合SURF进行关键点的描述和匹配
最新推荐文章于 2022-06-21 10:02:36 发布
这段代码展示了如何利用OpenCV库中的FLANN(快速最近邻搜索)和SURF(Speeded Up Robust Features)算法进行图像关键点的检测、描述及匹配。首先,将彩色图像转换为灰度图,然后应用SURF检测关键点并计算其描述符。接下来,使用FLANN建立索引以加速匹配过程。在实时视频流中,对每一帧进行相同的操作,并找出与原始图像的关键点匹配的优秀匹配点,最后通过drawMatches函数在结果显示匹配情况。
摘要由CSDN通过智能技术生成