当前位置 : 首页 » 文章分类 :  科研  »  OpenCV2.4.4中调用SIFT特征检测器进行图像匹配

OpenCV2.4.4中调用SIFT特征检测器进行图像匹配


OpenCV中一些相关结构说明

特征点类:

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[0,360),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  
}

存放匹配结果的结构:

struct DMatch  
{  
       //三个构造函数  
    DMatch(): queryIdx(-1), trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max()) {}  
    DMatch(int  _queryIdx, int  _trainIdx, float  _distance ) :  
                     queryIdx( _queryIdx),trainIdx( _trainIdx), imgIdx(-1),distance( _distance) {}  
    DMatch(int  _queryIdx, int  _trainIdx, int  _imgIdx, float  _distance ) :  
            queryIdx(_queryIdx), trainIdx( _trainIdx), imgIdx( _imgIdx),distance( _distance) {}  

    intqueryIdx;  //此匹配对应的查询图像的特征描述子索引  
    inttrainIdx;   //此匹配对应的训练(模板)图像的特征描述子索引  
    intimgIdx;    //训练图像的索引(若有多个)  
    float distance;  //两个特征向量之间的欧氏距离,越小表明匹配度越高。  
    booloperator < (const DMatch &m) const;  
};

说明:以两个特征点描述子(特征向量)之间的欧氏距离作为特征点匹配的相似度准则,假设特征点对p和q的特征描述子分别为$Des_p$和$Des_q$,则其欧氏距离定义为:
$$
d = \sqrt{ \sum_{i=0,,,127} (Des_p(i) - Des_q(i))^2 }
$$
所以每个匹配分别对应训练图像(train)和查询图像(query)中的一个特征描述子(特征向量)。


源码

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/nonfree/features2d.hpp"
#include <iostream>
#include <stdio.h>
#include <stdlib.h>

using namespace cv;
using namespace std;

int main()
{
    initModule_nonfree();//初始化模块,使用SIFT或SURF时用到
    Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT特征检测器
    Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器
    Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器
    if( detector.empty() || descriptor_extractor.empty() )
        cout<<"fail to create detector!";

    //读入图像
    Mat img1 = imread("desk.jpg");
    Mat img2 = imread("desk_glue.jpg");

    //特征点检测
    double t = getTickCount();//当前滴答数
    vector<KeyPoint> keypoints1,keypoints2;
    detector->detect( img1, keypoints1 );//检测img1中的SIFT特征点,存储到keypoints1中
    detector->detect( img2, keypoints2 );
    cout<<"图像1特征点个数:"<<keypoints1.size()<<endl;
    cout<<"图像2特征点个数:"<<keypoints2.size()<<endl;

    //根据特征点计算特征描述子矩阵,即特征向量矩阵
    Mat descriptors1,descriptors2;
    descriptor_extractor->compute( img1, keypoints1, descriptors1 );
    descriptor_extractor->compute( img2, keypoints2, descriptors2 );
    t = ((double)getTickCount() - t)/getTickFrequency();
    cout<<"SIFT算法用时:"<<t<<"秒"<<endl;


    cout<<"图像1特征描述矩阵大小:"<<descriptors1.size()
        <<",特征向量个数:"<<descriptors1.rows<<",维数:"<<descriptors1.cols<<endl;
    cout<<"图像2特征描述矩阵大小:"<<descriptors2.size()
        <<",特征向量个数:"<<descriptors2.rows<<",维数:"<<descriptors2.cols<<endl;

    //画出特征点
    Mat img_keypoints1,img_keypoints2;
    drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);
    drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);
    //imshow("Src1",img_keypoints1);
    //imshow("Src2",img_keypoints2);

    //特征匹配
    vector<DMatch> matches;//匹配结果
    descriptor_matcher->match( descriptors1, descriptors2, matches );//匹配两个图像的特征矩阵
    cout<<"Match个数:"<<matches.size()<<endl;

    //计算匹配结果中距离的最大和最小值
    //距离是指两个特征向量间的欧式距离,表明两个特征的差异,值越小表明两个特征点越接近
    double max_dist = 0;
    double min_dist = 100;
    for(int i=0; i<matches.size(); i++)
    {
        double dist = matches[i].distance;
        if(dist < min_dist) min_dist = dist;
        if(dist > max_dist) max_dist = dist;
    }
    cout<<"最大距离:"<<max_dist<<endl;
    cout<<"最小距离:"<<min_dist<<endl;

    //筛选出较好的匹配点
    vector<DMatch> goodMatches;
    for(int i=0; i<matches.size(); i++)
    {
        if(matches[i].distance < 0.31 * max_dist)
        {
            goodMatches.push_back(matches[i]);
        }
    }
    cout<<"goodMatch个数:"<<goodMatches.size()<<endl;

    //画出匹配结果
    Mat img_matches;
    //红色连接的是匹配的特征点对,绿色是未匹配的特征点
    drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,
                Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);

    imshow("MatchSIFT",img_matches);
    waitKey(0);
    return 0;
}

实验结果

特征点匹配结果:


效果图:









相关资源

源码下载:
http://download.csdn.net/detail/masikkk/5511831

当然,这些匹配还没有经过系统的筛选,还存在大量的错配,关于匹配的筛选参见这篇文章:

以及RobHess的SIFT源码分析系列文章:


上一篇 OpenCV2.4.4图像旋转和缩放

下一篇 OpenCV2.4.4实现Harris角点检测

域名迁移公告
2017年12月20日起,本博客迁移到新域名madaimeng.com,旧域名masikkk.com不再更新内容,但将永久保持可访问!
阅读
975
阅读预计4分钟
创建日期 2013-05-31
修改日期 2017-06-21
类别
百度推荐