/*
* ORB特征点检测匹配
* 其他方法还有SIFT
* SURF
*/
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>//二维特征提取
#include <opencv2/highgui/highgui.hpp>
using namespace std;//标准库 命名空间
using namespace cv; //opencv库命名空间
// 调用./feature_extraction 1.png 2.png
int main ( int argc, char** argv )
{
if ( argc != 3 )//命令行参数 1.png 2.png
{
cout<<"用法: feature_extraction img1 img2"<<endl;
return 1;
}
//-- 读取图像
Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );//彩色图模式
Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );
//-- 初始化
std::vector<KeyPoint> keypoints_1, keypoints_2;//关键点容器 二维点
Mat descriptors_1, descriptors_2; //关键点对应的描述子
Ptr<FeatureDetector> detector = ORB::create(); //cv3下 ORB特征检测 其他 BRISK FREAK
// cv::Ptr<cv::FastFeatureDetector> detector = cv::FastFeatureDetector::create();
Ptr<DescriptorExtractor> descriptor = ORB::create();//cv3下 ORB描述子
// Ptr<FeatureDetector> detector = FeatureDetector::create(detector_name);
// Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create(descriptor_name);
// use this if you are in OpenCV2
// Ptr<FeatureDetector> detector = FeatureDetector::create ( "ORB" );
// Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create ( "ORB" );
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create ( "BruteForce-Hamming" );
//二进制描述子汉明距离 匹配
//-- 第一步:检测 Oriented FAST 角点位置
detector->detect ( img_1,keypoints_1 );
detector->detect ( img_2,keypoints_2 );
//-- 第二步:根据角点位置计算 BRIEF 描述子
descriptor->compute ( img_1, keypoints_1, descriptors_1 );
descriptor->compute ( img_2, keypoints_2, descriptors_2 );
Mat outimg1;//在原图像画出特征点的图像
drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
imshow("ORB特征点",outimg1);//显示画上特征点的图像
//-- 第三步:对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离 字符串距离 删除 插入 替换次数
vector<DMatch> matches;//default默认汉明匹配 容器
//BFMatcher matcher ( NORM_HAMMING );
matcher->match ( descriptors_1, descriptors_2, matches );//对两幅照片的特征描述子进行匹配
//-- 第四步:匹配点对筛选
double min_dist=10000, max_dist=0;
//找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离
for ( int i = 0; i < descriptors_1.rows; i++ )
{
double dist = matches[i].distance;
if ( dist < min_dist ) min_dist = dist; //最短距离 最相似
if ( dist > max_dist ) max_dist = dist; //最长距离 最不相似
}
// 仅供娱乐的写法
min_dist = min_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance<m2.distance;} )->distance;
max_dist = max_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance<m2.distance;} )->distance;
printf ( "-- Max dist : %f \n", max_dist );
printf ( "-- Min dist : %f \n", min_dist );
//当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.
//但有时候最小距离会非常小,设置一个经验值30作为下限.
std::vector< DMatch > good_matches;//两幅图像好的特征匹配 点对
for ( int i = 0; i < descriptors_1.rows; i++ )
{
if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) )//最大距离
{
good_matches.push_back ( matches[i] );
}
}
//-- 第五步:绘制匹配结果
Mat img_match; //全部的匹配点对 图像
Mat img_goodmatch;//筛选之后的较好的匹配点对图像
drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );//得到全部的匹配点对 图像
drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch );//得到筛选之后的较好的匹配点对图像
imshow ( "所有匹配点对", img_match ); //显示 全部的匹配点对 图像
imshow ( "优化后匹配点对", img_goodmatch );//显示筛选之后的较好的匹配点对图像
waitKey(0);
return 0;
}
opencv 特征点 检测 描述子提取 匹配 筛选
最新推荐文章于 2022-12-11 15:28:53 发布