SURF算法工作原理
选择图像中的POI(Points of interest) Hessian Matrix
在不同的尺度空间发现关键点,非最大信号压制
发现特征点方法、旋转不变性要求
生成特征向量
SURF构造函数介绍
C++: SURF::SURF(
double hessianThreshold, --阈值检测器使用Hessian的关键点,默认值在
300-500之间
int nOctaves=4, -- 4表示在四个尺度空间
int nOctaveLayers=2, -- 表示每个尺度的层数
bool extended=false,
bool upright=false --表示计算旋转不变性,不计算的速度更快
)
特征点绘制
特征点绘制是为了把检测出来的Surf特征点在原图上绘制出来,这一步是为了把特征点直观的显示出来给我们看,跟整个Surf算子的特征提取和匹配流程没关系。
绘制使用drawKeypoints方法:
void drawKeypoints( const Mat& image,
const vector<KeyPoint>& keypoints,
CV_OUT Mat& outImage,
const Scalar& color=Scalar::all(-1),
int flags=DrawMatchesFlags::DEFAULT
);
第一个参数image:原始图像,可以使三通道或单通道图像;
第二个参数keypoints:特征点向量,向量内每一个元素是一个KeyPoint对象,包含了特征点的各种属性信息;
第三个参数outImage:特征点绘制的画布图像,可以是原图像;
第四个参数color:绘制的特征点的颜色信息,默认绘制的是随机彩色;
第五个参数flags:特征点的绘制模式,其实就是设置特征点的那些信息需要绘制,那些不需要绘制,有以下几种模式可选:
DEFAULT:只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。
DRAW_OVER_OUTIMG:函数不创建输出的图像,而是直接在输出图像变量空间绘制,要求本身输出图像变量就是一个初始化好了的,size与type都是已经初始化好的变量
NOT_DRAW_SINGLE_POINTS:单点的特征点不被绘制
DRAW_RICH_KEYPOINTS:绘制特征点的时候绘制的是一个个带有方向的圆,这种方法同时显示图像的坐标,size,和方向,是最能显示特征信息的一种绘制方式。
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
using namespace cv;
using namespace cv::xfeatures2d;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("test.jpg", IMREAD_GRAYSCALE);
if (src.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
// SURF特征点检测
int minHessian = 100;
Ptr<SURF> detector = SURF::create(minHessian);//创建一个surf类对象并初始化
vector<KeyPoint> keypoints;
detector->detect(src, keypoints, Mat());//找出关键点
// 绘制关键点
Mat keypoint_img;
drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("KeyPoints Image", keypoint_img);
waitKey(0);
return 0;
}
绘制匹配点
drawMatches( const Mat& img1, const vector<KeyPoint>& keypoints1,
const Mat& img2, const vector<KeyPoint>& keypoints2,
const vector<DMatch>& matches1to2, Mat& outImg,
const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1),
const vector<char>& matchesMask=vector<char>(), int flags=DrawMatchesFlags::DEFAULT );
其中参数如下:
* img1 – 源图像1
* keypoints1 –源图像1的特征点.
* img2 – 源图像2.
* keypoints2 – 源图像2的特征点
* matches1to2 – 源图像1的特征点匹配源图像2的特征点[matches[i]] .
* outImg – 输出图像具体由flags决定.
* matchColor – 匹配的颜色(特征点和连线),若matchColor==Scalar::all(-1),颜色随机.
* singlePointColor – 单个点的颜色,即未配对的特征点,若matchColor==Scalar::all(-1),颜色随机.
*matchesMask – Mask决定哪些点将被画出,若为空,则画出所有匹配点.
*flags—它跟drawKeypoints方法中flags的含义是一样的。
当仅使用筛选出的最优匹配点进行匹配的时候,意味着会有很多非最优的特征点不会被匹配,这时候可以设置flags=DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS
BF(暴力)匹配(src目标图,temp需要查找的背景图)
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
using namespace cv;
using namespace cv::xfeatures2d;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("数字.jpg");
Mat temp = imread("2.png");
if (src.empty() || temp.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
// SURF特征点检测
int minHessian = 400;
Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
vector<KeyPoint> keypoints1, keypoints2;
Mat src_vector, temp_vector;//用来存放特征点的描述向量
//detector->detect(src, keypoints1, Mat());//找出关键点
//detector->detect(temp, keypoints2, Mat());//找出关键点
//找到特征点并计算特征描述子(向量)
detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像,输入掩码,输入特征点,输出Mat,存放所有特征点的描述向量
detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数,列数为每个特征向量的尺寸,SURF是64(维)
//匹配
BFMatcher matcher(NORM_L2); //实例化一个暴力匹配器(括号里可以选择匹配方法)
vector<DMatch> matches; //DMatch是用来描述匹配好的一对特征点的类,包含这两个点之间的匹配信息
//比如左图有个特征m,它和右图的特征点n最匹配,这个DMatch就记录它俩最匹配,并且还记录m和n的
//特征向量的距离和其他信息,这个距离在后面用来做筛选
matcher.match(src_vector, temp_vector, matches); //匹配,数据来源是特征向量,结果存放在DMatch类型里面
//匹配点筛选
//sort函数对数据进行升序排列
//筛选匹配点,根据match里面特征对的距离从小到大排序
//筛选出最优的30个匹配点(可以不使用,会画出所有特征点)
sort(matches.begin(), matches.end());
vector< DMatch > good_matches;
int ptsPairs = std::min(30, (int)(matches.size() * 0.15));//匹配点数量不大于50
cout << ptsPairs << endl;
for (int i = 0; i < ptsPairs; i++)
{
good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
}
Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
imshow("BFMatcher Image", MatchesImage);
waitKey(0);
return 0;
}
FLANN匹配
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
#include <math.h>
using namespace cv;
using namespace cv::xfeatures2d;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("数字.jpg",0);
Mat temp = imread("2.png",0);
if (src.empty() || temp.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
// SURF特征点检测
int minHessian = 400;
Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
vector<KeyPoint> keypoints1, keypoints2;
Mat src_vector, temp_vector;//用来存放特征点的描述向量
//detector->detect(src, keypoints1, Mat());//找出关键点
//detector->detect(temp, keypoints2, Mat());//找出关键点
//找到特征点并计算特征描述子(向量)
detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像,输入掩码,输入特征点,输出Mat,存放所有特征点的描述向量
detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数,列数为每个特征向量的尺寸,SURF是64(维)
//匹配
FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法)
vector<DMatch> matches; //DMatch是用来描述匹配好的一对特征点的类,包含这两个点之间的匹配信息
//比如左图有个特征m,它和右图的特征点n最匹配,这个DMatch就记录它俩最匹配,并且还记录m和n的
//特征向量的距离和其他信息,这个距离在后面用来做筛选
matcher.match(src_vector, temp_vector, matches); //匹配,数据来源是特征向量,结果存放在DMatch类型里面
//求最小最大距离
double minDistance = 1000;//反向逼近
double maxDistance = 0;
for (int i=0; i< src_vector.rows; i++) {
double distance = matches[i].distance;
if (distance > maxDistance) {
maxDistance = distance;
}
if (distance < minDistance) {
minDistance = distance;
}
}
printf("max distance : %f\n", maxDistance);
printf("min distance : %f\n", minDistance);
//筛选较好的匹配点
vector< DMatch > good_matches;
for (int i = 0; i < src_vector.rows; i++) {
double distance = matches[i].distance;
if (distance < max(minDistance * 2, 0.02)) {
good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
}
}
/*//sort函数对数据进行升序排列
//筛选匹配点,根据match里面特征对的距离从小到大排序
//筛选出最优的50个匹配点(可以不使用,会画出所有特征点)
sort(matches.begin(), matches.end());
vector< DMatch > good_matches;
int ptsPairs = std::min(50, (int)(matches.size() * 0.15));//匹配点数量不大于50
cout << ptsPairs << endl;
for (int i = 0; i < ptsPairs; i++)
{
good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
}
*/
Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
imshow("FLANN Image", MatchesImage);
waitKey(0);
return 0;
}
对象查找
![](https://i-blog.csdnimg.cn/blog_migrate/253a29faea31d3cd8930871f215c04cb.png)
![](https://i-blog.csdnimg.cn/blog_migrate/5c3de574cc377bbded39f3c0e9ae41c6.png)
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
#include <math.h>
using namespace cv;
using namespace cv::xfeatures2d;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("fire_5.jpg");
Mat temp = imread("数字.jpg");
if (src.empty() || temp.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
// SURF特征点检测
int minHessian = 400;
Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
vector<KeyPoint> keypoints1, keypoints2;
Mat src_vector, temp_vector;//用来存放特征点的描述向量
//detector->detect(src, keypoints1, Mat());//找出关键点
//detector->detect(temp, keypoints2, Mat());//找出关键点
//找到特征点并计算特征描述子(向量)
detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像,输入掩码,输入特征点,输出Mat,存放所有特征点的描述向量
detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数,列数为每个特征向量的尺寸,SURF是64(维)
//匹配
FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法)
vector<DMatch> matches; //DMatch是用来描述匹配好的一对特征点的类,包含这两个点之间的匹配信息
//比如左图有个特征m,它和右图的特征点n最匹配,这个DMatch就记录它俩最匹配,并且还记录m和n的
//特征向量的距离和其他信息,这个距离在后面用来做筛选
matcher.match(src_vector, temp_vector, matches); //匹配,数据来源是特征向量,结果存放在DMatch类型里面
//求最小最大距离
double minDistance = 1000;//反向逼近
double maxDistance = 0;
for (int i = 0; i < src_vector.rows; i++) {
double distance = matches[i].distance;
if (distance > maxDistance) {
maxDistance = distance;
}
if (distance < minDistance) {
minDistance = distance;
}
}
printf("max distance : %f\n", maxDistance);
printf("min distance : %f\n", minDistance);
//筛选较好的匹配点
vector< DMatch > good_matches;
for (int i = 0; i < src_vector.rows; i++) {
double distance = matches[i].distance;
if (distance < max(minDistance * 3, 0.02)) {
good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
}
}
Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图
drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点
vector<Point2f> obj;
vector<Point2f> objInScene;
for (size_t t = 0; t < good_matches.size(); t++) {
obj.push_back(keypoints1[good_matches[t].queryIdx].pt);//返回对象在模板图特征点坐标
objInScene.push_back(keypoints2[good_matches[t].trainIdx].pt);//返回对象在背景查找图的坐标
}
Mat H = findHomography(obj,objInScene,RANSAC);//计算透视变换矩阵
vector<Point2f> obj_corner(4);
vector<Point2f> scene_corner(4);
obj_corner[0] = Point(0, 0);
obj_corner[1] = Point(src.cols, 0);
obj_corner[2] = Point(src.cols,src.rows);
obj_corner[3] = Point(0, src.rows);
perspectiveTransform(obj_corner, scene_corner,H);//透视变换
//画出边框线
line(MatchesImage, scene_corner[0] + Point2f(src.cols, 0), scene_corner[1] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
line(MatchesImage, scene_corner[1] + Point2f(src.cols, 0), scene_corner[2] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
line(MatchesImage, scene_corner[2] + Point2f(src.cols, 0), scene_corner[3] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
line(MatchesImage, scene_corner[3] + Point2f(src.cols, 0), scene_corner[0] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
imshow("FLANN Image", MatchesImage);
line(temp, scene_corner[0], scene_corner[1], Scalar(0, 0, 255), 2, 8, 0);
line(temp, scene_corner[1], scene_corner[2], Scalar(0, 0, 255), 2, 8, 0);
line(temp, scene_corner[2], scene_corner[3], Scalar(0, 0, 255), 2, 8, 0);
line(temp, scene_corner[3], scene_corner[0], Scalar(0, 0, 255), 2, 8, 0);
imshow("temp Image", temp);
waitKey(0);
return 0;
}