akaze特征匹配怎么去掉不合适的点_OpenCV其他特征点检测

最新推荐文章于 2023-09-16 09:56:36 发布
最新推荐文章于 2023-09-16 09:56:36 发布
阅读量74 收藏
点赞数
文章标签： akaze特征匹配怎么去掉不合适的点 erase() opencv

特征点检测和描述算法的应用比较广泛。在OpenCV中，除了SIFT和SURF之外，还有一些特征点检测算法和特征点描述算子。如ORB、BRISK、FREAK、BRIEF、MSER、FAST、KAZE、AKAZE等。这些算法在opencv里的调用方式基本上都是一样的。

在这些算法中，BRIEF、FREAK属于特征点描述算子，其他的一般都是检测特征点和描述特征点一起的。SIFT和SURF的特征点描述方法比较复杂，虽然其描述算子比较稳定，但是也让时间复杂度比较高。BRIEF提出了一种二进制串的描述方法。BRIEF算法在特征点的邻域内根据高斯分布选择了一些点对，比如256对点，然后两两比较这些点对之间的大小，大的记为1，小的记为0，由此得到一个256位的二进制串，用这个二进制串来描述特征点。在进行特征点匹配的时候，通过计算特征点与特征点的256位二进制串的汉明距离来确定是否是匹配的点。汉明距离的概念其实很简单，就是计算两个字符串中对应位置号不同字符的个数。采用二进制串来描述特征点，则汉明距离就更加简单了，可以通过二进制串的位操作实现，速度非常快。

BRIEF算法的描述方式不具有旋转不变性，但是对于没有旋转的时候，匹配效果还是非常好的，关键是该方法的速度极快。所以，之后出现的特征点描述方法一般都采用二进制串来描述。ORB算法是在BRIEF算法上的改进。ORB算法改进的地方主要是让其具有旋转不变性，也就是在图像有旋转的情况下也可以匹配。

其他的特征点检测很描述算子在这里就不一一介绍原理了。有兴趣的可以查阅相关的文献。如果对这方面的研究比较感兴趣，相信写几篇论文还是没有问题的。对于应用而言，只要能用起来，也就可以了。注意一下，对于特征点描述算子，如BRIEF，需要先使用其他的特征点检测算法找出特征点，然后再进行描述算子的计算和匹配。总结一下这些特征点检测算子的使用方法。首先创建一个检测方法；然后进行特征点检测，这时候如果要在图像上看检测出来的点，可以进行特征点绘制；再次，进行特征点描述算子的计算，得到描述算子；最后，根据描述算子计算两幅图像的匹配点。如果所有点都进行匹配，会有一些错误的匹配点，而且，匹配的时间比较久。因此，一般选择匹配比较好的前面50或100个点进行匹配。具体选择多少点进行匹配与图像有关，这就要根据实际图像来确定了。下面看一下具体实现代码。这里的代码只是示意怎么使用这些特征点检测和描述算法，没有全部完成，有兴趣的可以自己去试一下每一个特征点检测和描述算子的使用效果。

#include

#include

#include"opencv2/core.hpp"

#include"opencv2/core/utility.hpp"

#include"opencv2/highgui.hpp"

#include"opencv2/features2d.hpp"

#include

#include"opencv2/imgproc.hpp"

#include"opencv2/flann.hpp"

#include"opencv2/xfeatures2d.hpp"

usingnamespace cv;

usingnamespace std;

usingnamespace cv::xfeatures2d;

int main(intargc, char** argv)

{

    Mat src1, src2;

    src1 = imread("E: \\img1.ppm", 1);

    src2 = imread("E: \\img2.ppm", 1);

    vector<KeyPoint> keyPoint1,keyPoint2;

       //特征点检测算子

    Ptr<Feature2D> orb = ORB::create();

    orb->detect(src1,keyPoint1);

    orb->detect(src2,keyPoint2);

<Feature2D> fast = FastFeatureDetector::create(600);

    fast->detect(src1,keyPoint1);

    fast->detect(src2,keyPoint2);

Ptr<Feature2D> brisk = BRISK::create(100);

    brisk->detect(src1, keyPoint1);

    brisk->detect(src2,keyPoint2);

Ptr<Feature2D> mser = MSER::create();

    mser->detect(src1,keyPoint1);

    mser->detect(src2,keyPoint2);

Ptr<Feature2D> msd = MSDDetector::create();

    msd->detect(src1,keyPoint1);

    msd->detect(src2,keyPoint2);

Ptr<Feature2D> kaze = KAZE::create();

    kaze->detect(src1,keyPoint1);

    kaze->detect(src2,keyPoint2);

Ptr<Feature2D> akaze = AKAZE::create();

    akaze->detect(src1,keyPoint1);

    akaze->detect(src2,keyPoint2);

Ptr<Feature2D> agast = AgastFeatureDetector::create();

    agast->detect(src1,keyPoint1);

    agast->detect(src2,keyPoint2);

Ptr<Feature2D> gftt = GFTTDetector::create();

    gftt->detect(src1,keyPoint1);

    gftt->detect(src2,keyPoint2);

       //特征点描述算子

    Ptr<Feature2D> freak = FREAK::create();

    Ptr<Feature2D> brief = BriefDescriptorExtractor::create();

       //绘制特征点

    Mat result1, result2;

    drawKeypoints(src1,keyPoint1, result1, Scalar(0, 0, 255), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//画出特征点

    namedWindow("src1特征点", 0);

    imshow("src1特征点", result1);

    drawKeypoints(src2,keyPoint2, result2, Scalar(0, 0, 255), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//画出特征点

    namedWindow("src2特征点", 0);

    imshow("src2特征点", result2);

       //计算描述算子，可以试一下其他的描述算子

    Mat descriptors_1,descriptors_2;

    orb->compute(src1,keyPoint1, descriptors_1);

    orb->compute(src2,keyPoint2, descriptors_2);

       //计算匹配

    BFMatcher matcher;

    vector<DMatch> matches;

    matcher.match(descriptors_1,descriptors_2, matches);

       //绘制匹配结果

    Mat img_matches;

    drawMatches(src1,keyPoint1, src2, keyPoint2, matches, img_matches, Scalar(0, 0, 255), Scalar(0, 0, 255));

    namedWindow("match1", 0);

    imshow("match1", img_matches);

    //提取出前最佳匹配结果

    nth_element(matches.begin(),matches.begin() + 50, matches.end());

    //剔除掉其余的匹配结果

    matches.erase(matches.begin()+ 50, matches.end());

    Mat img_matches2;

    drawMatches(src1,keyPoint1, src2, keyPoint2, matches, img_matches2, Scalar(0, 0, 255), Scalar(0, 0, 255));

    namedWindow("match2", 0);

    imshow("match2", img_matches2);

    waitKey(0);

    return 0;

}

下面的图示部分特征点检测算法匹配结果。

c8fa2ff522645b04cd8161e9a8693945.png

                 图1 orb匹配结果

0a2d095edf36f1e266ac2007a427f742.png

               图2 BRISK匹配结果

bf1b34abd3014ca1e4de726d22b144a7.png

              图3 FAST检测特征点FREAK匹配

ea7251e6d6d73123fcf6e29c49d8b9ba.png

            图4 FAST检测特征点，BRIEF匹配 

13264a33005ac981c8423ff152aefffd.png

            图5 MSER检测特征点，BRIEF匹配

weixin_39541121
关注
opencv学习笔记三十六：AKAZE特征点检测与匹配
qq_24946843的博客
09-14 9308
KAZE是日语音译过来的 ， KAZE与SIFT、SURF最大的区别在于构造尺度空间，KAZE是利用非线性方式构造，得到的关键点也就更准确（尺度不变性 ）； Hessian矩阵特征点检测 ，方向指定，基于一阶微分图像（旋转不变性 ） ； 描述子生成 ，归一化处理（光照不变性 ）； AKAZE局特征点检测与匹配 A表示Accelerated(加速的) 与SIFT、 SUFR比较： 更加稳定 非...
特征提取与检测15-AKAZE局部匹配
Qt学视觉
02-14 587
AKAZE局部匹配
【视觉 SLAM】OpenCV 3 特征点匹配
weixin_44413191的博客
03-21 1689
本文为特征点匹配学习总结，讲解 OpenCV 3 中的特征点匹配。
OpenCV（四十六）：特征点匹配
最新发布
weixin_63357306的博客
09-16 3949
特征点匹配是一种在两幅图像中寻找相互对应的特征点，并建立它们之间的对应关系的过程。具体而言，首先通过特征检测算法在两幅图像中寻找相互对应的特征点，然后，对于每个特征点，通过描述子提取算法计算其描述子，最后，使用匹配算法对两组特征点的描述子进行比较，以找到相互匹配的特征点对。在OpenCV中，特征点匹配的类主要是。是一个抽象基类，用于特征点描述子之间的匹配操作。
MySQL基础操作大全（一）
R3332136304的博客
09-19 506
MySQL数据库基本操作，库表字段及基本的增删改查
【opencv】特征点匹配
qq_49860380的博客
01-21 1513
from email.mime import image import imghdr from turtle import title import cv2 import matplotlib.pyplot as plt import numpy as np from sympy import sift def cv_show(img,name): cv2.namedWindow(name,0) cv2.resizeWindow(name, 640, 480) cv2.imsho.
(二)OpenCV特征提取与检测_14_AKAZE局部匹配
01-20
为了过滤掉不稳定的匹配，我们计算所有匹配点之间的最大和最小距离。通常，我们认为距离小于两倍最小距离的匹配是良好的。最后，我们用`good_matches`变量存储这些优质匹配，并使用`drawMatches()`函数绘制出匹配的...
imagematch.rar_sift_sift特征点匹配_特征检测匹配
07-14
总结起来，这个项目提供了使用OpenCV实现SIFT特征点检测和匹配的实践经验，对于学习和掌握这一核心技术非常有帮助。通过深入研究和实践，你将能够更好地理解和运用图像处理中的关键点检测和匹配技术，为你的计算机...
OpenCV实战（18）——特征匹配
盼小辉丶的博客
04-12 7486
关键点可以用于执行局部图像分析，这些关键点需要足够独特，以便在具有相同对象的不同图像中能够检测到相同的点。基于关键点执行图像分析需要构建丰富的表示来唯一地描述这些关键点，本节将重点介绍如何从关键点中提取描述符，描述符通常是描述关键点及其邻域的二进制、整数或浮点数的一维或二维向量。关键点最常见的用途之一是图像匹配，例如，执行图像匹配用于关联同一场景中的两张不同图像或检测图像中的目标对象。在本节中，我们将学习基本的匹配算法。
OpenCV特征点匹配
03-08
这是OpenCV最新版本的库：OpenCV2.4.4 实现了多幅图像之间的配准，存于Result文件夹中
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
OpenCV 特征点匹配及 优化下载
01-04
博客 http://www.cnblogs.com/wangguchangqing/p/4333873.html 中的demo代码，鉴于有很多人想参考下，就上传到这了。 主要是匹配后，计算两视图的基础矩阵F，然后再除去不适合的匹配点. 代码中 好像还有一部分三角计算的代码
Opencv 各种特征点提取和匹配
11-30
Opencv 各种特征点提取和匹配 class KeyPoint { Point2f pt; //坐标 float size; //特征点邻域直径 float angle; //特征点的方向，值为[零,三百六十)，负值表示不使用 float response; int octave; //特征点所在的图像金字塔的组 int class_id; //用于聚类的id
OpenCV 之 特征匹配
fengweichangzi的博客
08-23 2929
OpenCV 中有两种特征匹配方法：暴力匹配 (Brute force matching) 和 最近邻匹配 (Nearest Neighbors matching) 它们都继承自 DescriptorMatcher，是基于特征描述符距离的匹配，根据描述符的不同，距离可以是 欧氏距离，也可以是 汉明距 1 暴力匹配 首先，任取图像 A 的一个特征描述符，计算它到图像 B 中所有特征描述符的距离；然后，将所得到的距离进行排序；最后，选择距离最短的特征，作为 A-...
OpenCv特征匹配
Dong's Blog
08-09 7954
OpenCv提供了两种描述符匹配方法：Brute-Force匹配与FLANN匹配 1.Brute-Force匹配 1.1创建BFMatcher对象 1.2使用两个方法：match()或knnMatch()进行描述符匹配 1.3基于ORB或SIFT的BF匹配 2.FLANN匹配 2.1第一个字典是IndexParams 2.2第二个字典是SearchParams： 2.3FLANN匹配器示例 1.Brute-Force匹配 Brute-Force匹配又称蛮力匹配，将一组特征点中的每一个..
opencv学习-特征匹配
wyw0000的博客
02-19 3618
opencv特征匹配算法
基于opencv的特征点匹配法
chenxingwangzi的博客
07-31 988
基于opencv的特征点匹配法基于opencv的特征点匹配方法已经有很多博文了 我也是参考了其中几篇 给出链接供大家参考 Opencv2.4.9源码分析——SIFT Opencv学习笔记（六）SURF学习笔记 还有一篇链接居然失效了~囧 不过我看他们的文章基本是基于其中一个算法的（比如SIFT），我这个代码中给出了使用不同算子特征的方法。#include <opencv2/core/co
akaze特征匹配算法python
08-24
AKAZE（Accelerated-KAZE）是一种局部特征点匹配算法，也叫非线性尺度空间的特征点。它是KAZE的加速版。AKAZE通过AOS构造尺度空间、Hessian矩阵特征点检测、方向指定一阶微分图像以及生成描述子来实现特征点的检测。...
评论
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