OpenCV4按模块学习|feature2d module — 特征检测与匹配

已于 2022-12-04 11:47:49 修改
阅读量2.1k 收藏 12
点赞数 2
文章标签： 学习 opencv 计算机视觉
于 2020-08-13 20:33:51 首次发布
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/weixin_43917574/article/details/107988625
版权

OpenCV4按模块学习|feature2d module — 特征检测与匹配

前言

OpenCV4.1.2 feature2d模块 ——
学习使用OpenCV Contrib modules的SIFT、SURF特征检测，
学习暴力匹配与FLANN匹配。

特征检测

特征检测实际上包含两个步骤：检测和描述。
检测是指将特征点的位置、方向等信息检测出来，描述指的是将这些特征点信息加以描述，形成128维或64维的特征描述子，以用于后续匹配。
OpenCV实现的特征检测接口包括detect()、compute()和detectAndCompute()函数，分别实现特征检测、特征描述，以及检测并描述一步到位。
SIFT和SURF特征检测步骤也大致相似，首先将图像转化为灰度图，然后创建一个对象，接着调用特征检测函数。使用drawKeyPoint()函数可以将检测到的特征点画出来。

SIFT

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"

using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;

int main(int argc, char* argv[])
{
	CommandLineParser parser(argc, argv, "{@input | box.png | input image}");
	Mat src = imread(samples::findFile(parser.get<String>("@input")), IMREAD_GRAYSCALE);
	if (src.empty())
	{
		cout << "Could not open or find the image!\n" << endl;
		cout << "Usage: " << argv[0] << " <Input image>" << endl;
		return -1;
	}

	//-- SIFT检测与描述
	Ptr<SIFT> detector = SIFT::create();
	std::vector<KeyPoint> keypoints;
	Mat descriptors;
	detector->detectAndCompute(src, noArray(), keypoints, descriptors);
	cout << keypoints.size() << endl;
	cout << descriptors.size() << endl;

	//-- 画出特征点
	Mat img_keypoints;
	drawKeypoints(src, keypoints, img_keypoints);

	//-- Show detected (drawn) keypoints
	imshow("SIFT Keypoints", img_keypoints);

	waitKey();
	return 0;
}
#else
int main()
{
	std::cout << "This tutorial code needs the xfeatured contrib module to be run." << std::endl;
	return 0;
}
#endif // HAVE_OPENCV_XFEATURES2D

keypoints和descriptors的大小：
603
[128 x 603]

在这里插入图片描述

SURF

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"

using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;

int main(int argc, char* argv[])
{
	CommandLineParser parser(argc, argv, "{@input | box.png | input image}");
	Mat src = imread(samples::findFile(parser.get<String>("@input")), IMREAD_GRAYSCALE);
	if (src.empty())
	{
		cout << "Could not open or find the image!\n" << endl;
		cout << "Usage: " << argv[0] << " <Input image>" << endl;
		return -1;
	}

	//-- SURF检测与描述，设置hessianThreshold为400
	int minHessian = 400;
	Ptr<SURF> detector = SURF::create(minHessian);
	std::vector<KeyPoint> keypoints;
	Mat descriptors;
	detector->detectAndCompute(src, noArray(), keypoints, descriptors);
	cout << keypoints.size() << endl;
	cout << descriptors.size() << endl;

	//-- 画出特征点
	Mat img_keypoints;
	drawKeypoints(src, keypoints, img_keypoints);

	//-- Show detected (drawn) keypoints
	imshow("SURF Keypoints", img_keypoints);

	waitKey();
	return 0;
}
#else
int main()
{
	std::cout << "This tutorial code needs the xfeatured contrib module to be run." << std::endl;
	return 0;
}
#endif // HAVE_OPENCV_XFEATURES2D

keypoints和descriptors的大小：
786
[64 x 786]

在这里插入图片描述

特征匹配

特征匹配有暴力匹配和FLANN匹配，其使用步骤大致相同：

  • 首先使用SIFT或SURF对两幅图像进行特征检测
  • 然后使用cv::DescriptorMatcher进行匹配
// 创建一个暴力匹配器
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);

// 创建一个FLANN BASED匹配器
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::FLANNBASED);
  • 使用cv::drawMatches画出匹配连线

暴力匹配

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"

using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;

const char* keys = 
	"{ help h |                  | Print help message. }"
	"{ input1 | box.png          | Path to input image 1. }"
	"{ input2 | box_in_scene.png | Path to input image 2. }";

int main(int argc, char* argv[])
{
	CommandLineParser parser(argc, argv, keys);
	Mat img1 = imread(samples::findFile(parser.get<String>("input1")), IMREAD_GRAYSCALE);
	Mat img2 = imread(samples::findFile(parser.get<String>("input2")), IMREAD_GRAYSCALE);
	if (img1.empty() || img2.empty())
	{
		cout << "Could not open or find the image!\n" << endl;
		parser.printMessage();
		return -1;
	}

	//-- 步骤1: 使用SURF检测关键点
	int minHessian = 400;
	Ptr<SURF> detector = SURF::create(minHessian);
	std::vector<KeyPoint> keypoints1, keypoints2;
	Mat descriptors1, descriptors2;
	detector->detectAndCompute(img1, noArray(), keypoints1, descriptors1);
	detector->detectAndCompute(img2, noArray(), keypoints2, descriptors2);

	//-- 步骤2: 使用暴力匹配器匹配描述子向量
	Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);
	std::vector<DMatch> matches;
	matcher->match(descriptors1, descriptors2, matches);

	//-- 画出匹配
	Mat img_matches;
	drawMatches(img1, keypoints1, img2, keypoints2, matches, img_matches);

	//-- Show detected matches
	imshow("Matches", img_matches);

	waitKey();
	return 0;
}
#else
int main()
{
	std::cout << "This tutorial code needs the xfeatured contrib module to be run." << std::endl;
	return 0;
}
#endif // HAVE_OPENCV_XFEATURES2D

在这里插入图片描述

FLANN匹配

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"

using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;

const char* keys =
"{ help h |                  | Print help message. }"
"{ input1 | box.png          | Path to input image 1. }"
"{ input2 | box_in_scene.png | Path to input image 2. }";

int main(int argc, char* argv[])
{
	CommandLineParser parser(argc, argv, keys);
	Mat img1 = imread(samples::findFile(parser.get<String>("input1")), IMREAD_GRAYSCALE);
	Mat img2 = imread(samples::findFile(parser.get<String>("input2")), IMREAD_GRAYSCALE);
	if (img1.empty() || img2.empty())
	{
		cout << "Could not open or find the image!\n" << endl;
		parser.printMessage();
		return -1;
	}

	//-- 步骤1: 使用SURF检测关键点
	int minHessian = 400;
	Ptr<SURF> detector = SURF::create(minHessian);
	std::vector<KeyPoint> keypoints1, keypoints2;
	Mat descriptors1, descriptors2;
	detector->detectAndCompute(img1, noArray(), keypoints1, descriptors1);
	detector->detectAndCompute(img2, noArray(), keypoints2, descriptors2);

	//-- 步骤2: 使用FLANN匹配器匹配描述子向量
	Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::FLANNBASED);
	std::vector< std::vector<DMatch> > knn_matches;
	matcher->knnMatch(descriptors1, descriptors2, knn_matches, 2);

	//-- Filter matches using the Lowe's ratio test
	const float ratio_thresh = 0.7f;
	std::vector<DMatch> good_matches;
	for (size_t i = 0; i < knn_matches.size(); i++)
	{
		if (knn_matches[i][0].distance < ratio_thresh * knn_matches[i][1].distance)
		{
			good_matches.push_back(knn_matches[i][0]);
		}
	}

	//-- Draw matches
	Mat img_matches;
	drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_matches, Scalar::all(-1),
		Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

	//-- Show detected matches
	imshow("Good Matches", img_matches);

	waitKey();
	return 0;
}
#else
int main()
{
	std::cout << "This tutorial code needs the xfeatured contrib module to be run." << std::endl;
	return 0;
}
#endif // HAVE_OPENCV_XFEATURES2D

在这里插入图片描述

参考

https://docs.opencv.org/4.1.2/d7/d66/tutorial_feature_detection.html.
https://docs.opencv.org/4.1.2/d5/dde/tutorial_feature_description.html.
https://docs.opencv.org/4.1.2/d5/d6f/tutorial_feature_flann_matcher.html.

金渐层猫
关注
  • 2
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
opencv3.3 自编译需要的xfeatures2d
08-11
opencv3.3自编译需要的 e6dcfa9f647779eb1ce446a8d759b6ea-boostdesc_binboost_256.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i等 放于D:\Program Files\Opencv3.3\sources\.cache下
OpenCV探索之路（二十三）：特征检测和特征匹配方法汇总
weixin_33709609的博客
08-20 8345
一幅图像中总存在着其独特的像素点，这些点我们可以认为就是这幅图像的特征，成为特征点。计算机视觉领域中的很重要的图像特征匹配就是一特征点为基础而进行的，所以，如何定义和找出一幅图像中的特征点就非常重要。这篇文章我总结了视觉领域最常用的几种特征点以及特征匹配的方法。 在计算机视觉领域，兴趣点（也称关键点或特征点）的概念已经得到了广泛的应用， 包括目标识别、 图像配准、 视觉跟踪、 三维重建等。 这个概...
OpenCV 特征点检测与匹配
最新发布
钢铁男儿
06-22 942
①图像搜索，如以图搜图；②拼图游戏；③图像拼接，将两长有关联得图拼接到一起；
OpenCV学习笔记（四十六）——FAST特征点检测features2D
热门推荐
迭代的是人，递归的是神
03-30 6万+
特征点检测和匹配是计算机视觉中一个很有用的技术。在物体检测，视觉跟踪，三维常年关键等领域都有很广泛的应用。这一次先介绍特征点检测的一种方法——FAST（features from accelerated segment test）。很多传统的算法都很耗时，而且特征点检测算法只是很多复杂图像处理里中的第一步，得不偿失。FAST特征点检测是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以
系统性综述：特征点检测与匹配
小白学视觉
02-10 1265
点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达 作者丨梦寐mayshine@知乎来源丨https://zhuanlan.zhihu.com/p/1...
OpenCV中feature2D学习——SURF和SIFT算子实现特征点检测
holybin的专栏
12-10 1万+
在opencv的features2d中实现了SIFT和SURF算法，可以用于图像特征点的自动检测。具体实现是采用SurfFeatureDetector/SiftFeatureDetector类的detect函数检测SURF/SIFT特征的关键点，并保存在vector容器中，最后使用drawKeypoints函数绘制出特征点。 实验所用环境是opencv2.4.0+vs2008+win7，测试图片
opencv-4.4.0-android-sdk.zip opencv Android版官网下载
08-15
或者使用`Feature2D`模块进行特征点检测和匹配。 **示例应用** 在`OpenCV-android-sdk\samples`目录下，OpenCV提供了一些示例应用，这些应用展示了如何在Android上使用OpenCV进行实际的图像处理任务。比如，`Face...
opencv-4.5.1.rar
11-26
3. **高级特征检测模块（Feature2D Module）**：支持各种特征检测和描述算法，如SIFT、SURF、ORB、AKAZE等，用于物体识别、图像匹配等应用。 4. **机器学习模块（Machine Learning Module）**：包含各种监督和无...
opencv 需要的DLL
01-12
3. **高级图像特征（Feature2D Module）**：此模块提供特征检测和描述算法，例如SIFT、SURF、ORB等。`opencv_feature2d.dll`是关键文件。 4. **视频处理（Video Module）**：用于视频分析，包括背景分割、运动估计...
opencv-3.4.5zip
03-30
4. **特征检测与描述模块（Feature2D Module）**：包括SIFT、SURF、ORB等特征检测和描述算子，用于图像匹配和识别。这些特征可以帮助系统识别和定位图像中的特定对象。 5. **机器学习模块（ML Module）**：支持各种...
Visual studio +opencv 3
09-02
6 feature2d module. 2D Features framework 7 video module. Video analysis 8 objdetect module. Object Detection 9 ml module. Machine Learning 10 photo module. Computational photography 11 gpu module. ...
opencv——cmake files ：xfeatures2d
03-13
boostdesc_bgm.i; boostdesc_bgm_bi.i; boostdesc_bgm_hd.i; boostdesc_binboost_064.i; boostdesc_binboost_128.i; boostdesc_binboost_256.i; boostdesc_Ibgm.i; vgg_generated_48.i; vgg_generated_64.i; vgg_generated_80.i; vgg_generated_120.i;
opencv3 contrib xfeatures2d
07-26
直接解压 替换 contrib包modules的同名文件
OpenCV中feature2D学习——FAST特征点检测
holybin的专栏
03-29 1万+
在前面的文章《OpenCV中feature2D学习——SURF和SIFT算子实现特征点检测》中讲了利用SIFT和SURF算子进行特征点检测，这里尝试使用FAST算子来进行特征点检测。     FAST的全名是：Features from Accelerated Segment Test，主要特点值计算速度快，比已知的其他特征点检测算法要快很多倍，可用于计算机视觉应用的实时场景。目前以其高计算效率
OpenCV3学习笔记（5）- feature2d组件
weixin_42194879的博客
06-16 1131
详见《OpenCV3编程入门（毛星云、冷雪飞）》
OpenCV 通过 Features2D 和 Homography 查找已知对象
weixin_33916256的博客
07-29 156
OpenCV 通过 Features2D 和 Homography 查找已知对象 目标 本文中你将学会： 使用findHomography函数来查找匹配关键点之间的转换 使用perspectiveTransform来映射点 代码 完整的代码可从这里下载 #include <stdio.h> #in...
opencv(python)------特征点检测与匹配(四)
m0_47405013的博客
05-26 244
在这里插入代码片
opencv之2D Features检测
xiaochuideai的博客
03-22 850
opencv实现图像角点以及关键点的检测，用于实现图像配准。
opencv4 图像特征匹配_openCV - 应用特征匹配和单应性变换从复杂图像中查找已知对象...
weixin_39655362的博客
11-23 234
目标本章节中,我们将结合特征匹配，用calib3d模块查找单应性以达到从复杂图像中识别出已知对象的目的。基本原理上节课我们做了什么?我们使用一个queryImage，在其中找到一些特征点，我们使用另一个trainImage，也找到了这个图像中的特征，我们找到了它们之间的最佳匹配。简而言之，我们在另一张杂乱的图像中找到了一个物体的某些部分的位置。这些信息足以准确地在trainImage上找到目标。为...
AttributeError: module 'cv2' has no attribute 'xfeatures2d'像特征匹配
04-11
AttributeError: module 'cv2' has no attribute 'xfeatures2d'错误是由于OpenCV的版本问题导致的。在较新的OpenCV版本中，xfeatures2d模块已被移除，因此无法使用该模块中的特征匹配算法。 解决这个问题的方法是使用其他替代的特征匹配算法，例如ORB（Oriented FAST and Rotated BRIEF）或SIFT（Scale-Invariant Feature Transform）。这些算法仍然可以在最新版本的OpenCV中使用。 以下是一种使用ORB算法进行特征匹配的示例代码： ```python import cv2 # 读取图像 img1 = cv2.imread('image1.jpg', 0) img2 = cv2.imread('image2.jpg', 0) # 初始化ORB检测器 orb = cv2.ORB_create() # 使用ORB检测器检测特征点和描述符 kp1, des1 = orb.detectAndCompute(img1, None) kp2, des2 = orb.detectAndCompute(img2, None) # 创建BFMatcher对象，使用Hamming距离进行特征匹配 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) # 特征匹配 matches = bf.match(des1, des2) # 根据特征点之间的距离进行排序 matches = sorted(matches, key=lambda x: x.distance) # 绘制匹配结果 result = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2) # 显示匹配结果 cv2.imshow('Feature Matching', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码使用ORB算法检测图像中的特征点和描述符，并使用BFMatcher进行特征匹配。最后，绘制出前10个匹配结果并显示出来。
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