Opencv（C++）学习系列---特征点检测和匹配

关于特征检测和匹配的具体原理会在后续的文章中具体讲解，本文主要介绍Opencv实现的简单过程：
第一步：定义特征检测器（SIFT,SURF,ORB等）。

第二步：对图像中特征点进行检测，并将特征点存储在Keypoints中。

第三步：提取特征点的描述信息。

第四步：定义特征匹配器（特征匹配的方法主要有两种分别为暴力匹配BFmatch和FlannBased）。

第五步：过滤掉较差的匹配点位（一般根据临近两点的距离进行过滤）

主要是根据DMatch中的distance进行过滤，对于distance可以抽象理解为匹配的分值，distance越小说明检测点的相似度越高，效果越好。

第六步：对匹配的特征点显示。

代码1（未滤波，只限制筛选点数为20）

#include <iostream>
#include <opencv2/opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include <opencv2/xfeatures2d.hpp>using namespace cv;  //包含cv命名空间
using namespace std;
using namespace xfeatures2d;int main() {system("color 2E");//载入图片Mat src1 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\3.jpg",1);Mat src2 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\4.jpg", 1);//显示原图imshow("原图1",src1);imshow("原图2", src2);//定义变量vector<KeyPoint> keypoints1, keypoints2;//定义检测的特征点存储容器Mat descriptors1,descriptors2;//定义特征点描述信息为Mat类型Mat result_img;//匹配结果图片//创建sift特征检测器实例//将SIFT可以换位SURF、ORBPtr<SIFT>detector = SIFT::create();//提取特征点detector->detect(src1,keypoints1,noArray());detector->detect(src2, keypoints2, Mat());//获取特征点的描述信息=>特征向量detector->compute(src1,keypoints1,descriptors1);detector->compute(src2, keypoints2, descriptors2);//定义匹配器的实例化=>方法为暴力匹配法Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);//create中的参数可以填string FlannBased等匹配方法//第二种实例化方法//BFMatcher matcher;//进行暴力匹配vector<DMatch> matches;//第一个参数为queryDescription为目标，第二个参数为trainDescription模板matcher->match(descriptors1,descriptors2,matches);//限制特征点匹配数量=》只匹配前20个较好的特征点int num = 20;nth_element(matches.begin(), matches.begin()+num,matches.end());//vector去除20以后的元素matches.erase(matches.begin()+num,matches.end());//输出关键点和匹配结果//其中右侧图为trainDescription模板，左侧图为queryDescription目标//左图中的点与右图中进行匹配对应drawMatches(src1,keypoints1,src2,keypoints2, matches,result_img);drawKeypoints(src1,keypoints1,src1);drawKeypoints(src2,keypoints2,src2);imshow("匹配结果",result_img);imshow("特征点1",src1);imshow("特征点2",src2);waitKey(0);system("pause");return 0;
}

运行结果为：

代码2（通过距离进行滤波）

#include <iostream>
#include <opencv2/opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include <opencv2/xfeatures2d.hpp>using namespace cv;  //包含cv命名空间
using namespace std;
using namespace xfeatures2d;int main() {system("color 2E");//载入图片Mat src1 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\3.jpg",1);Mat src2 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\4.jpg", 1);//显示原图imshow("原图1",src1);imshow("原图2", src2);//定义变量vector<KeyPoint> keypoints1, keypoints2;//定义检测的特征点存储容器Mat descriptors1,descriptors2;//定义特征点描述信息为Mat类型Mat result_img;//匹配结果图片//创建sift特征检测器实例//将SIFT可以换位SURF、ORBPtr<SIFT>detector = SIFT::create();//提取特征点detector->detect(src1,keypoints1,noArray());detector->detect(src2, keypoints2, Mat());//获取特征点的描述信息=>特征向量detector->compute(src1,keypoints1,descriptors1);detector->compute(src2, keypoints2, descriptors2);//定义匹配器的实例化=>方法为暴力匹配法Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);//create中的参数可以填string FlannBased等匹配方法//第二种实例化方法//BFMatcher matcher;//进行暴力匹配vector<DMatch> matches;//第一个参数为queryDescription为目标，第二个参数为trainDescription模板matcher->match(descriptors1,descriptors2,matches);//限制特征点匹配数量=》只匹配前20个较好的特征点int num = 20;nth_element(matches.begin(), matches.begin()+num,matches.end());//vector去除20以后的元素matches.erase(matches.begin()+num,matches.end());double Max_distance = matches[1].distance;double Min_distance = matches[1].distance;vector<DMatch> goodfeatrues;//根据特征点的距离去筛选for (int i = 0; i < matches.size(); i++){double dist = matches[i].distance;if (dist>Max_distance){Max_distance = dist;}if (dist<Min_distance){Min_distance = dist;}}cout << "匹配点的最大距离：" << Max_distance << endl;cout << "匹配点的最小距离：" << Min_distance << endl;//M为距离阈值，M越大点数越多double M = 1.3;for (int  i = 0; i < matches.size(); i++){double dist = matches[i].distance;if (dist<M*Min_distance)      {goodfeatrues.push_back(matches[i]);}}cout << "最终选取特征点的数量为：" << matches.size() << endl;//输出关键点和匹配结果//其中右侧图为trainDescription模板，左侧图为queryDescription目标//左图中的点与右图中进行匹配对应drawMatches(src1,keypoints1,src2,keypoints2, goodfeatrues,result_img);drawKeypoints(src1,keypoints1,src1);drawKeypoints(src2,keypoints2,src2);imshow("匹配结果",result_img);imshow("特征点1",src1);imshow("特征点2",src2);waitKey(0);system("pause");return 0;
}

运行结果为：

代码3（通过knnMatch匹配，可以通过对distance设置阈值进行滤波，效果最好）

#include <iostream>
#include <opencv2/opencv.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include <opencv2/xfeatures2d.hpp>using namespace cv;  //包含cv命名空间
using namespace std;
using namespace xfeatures2d;int main() {system("color 2E");//载入图片Mat src1 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\3.jpg",1);Mat src2 = imread("E:\\乔大花进度\\11-18\\sift特征检测和匹配\\4.jpg", 1);//显示原图imshow("原图1",src1);imshow("原图2", src2);//定义变量vector<KeyPoint> keypoints1, keypoints2;//定义检测的特征点存储容器Mat descriptors1,descriptors2;//定义特征点描述信息为Mat类型Mat result_img;//匹配结果图片//创建sift特征检测器实例//将SIFT可以换位SURF、ORBPtr<SIFT>detector = SIFT::create();//提取特征点detector->detect(src1,keypoints1,noArray());detector->detect(src2, keypoints2, Mat());//获取特征点的描述信息=>特征向量detector->compute(src1,keypoints1,descriptors1);detector->compute(src2, keypoints2, descriptors2);//定义匹配器的实例化=>方法为暴力匹配法Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);//create中的参数可以填string FlannBased等匹配方法//第二种实例化方法//BFMatcher matcher;//进行暴力匹配vector<DMatch> matches;vector<Mat>train_desc(1, descriptors2);matcher->add(train_desc);matcher->train();vector<vector<DMatch>> matchpoints;matcher->knnMatch(descriptors1,matchpoints,2);vector<DMatch> goodfeatur;for (int i = 0; i < matchpoints.size(); i++){if (matchpoints[i][0].distance<0.15*matchpoints[i][1].distance){goodfeatur.push_back(matchpoints[i][0]);}}cout << "筛选后的特征点数量为： " << goodfeatur.size() << endl;//输出关键点和匹配结果//其中右侧图为trainDescription模板，左侧图为queryDescription目标//左图中的点与右图中进行匹配对应drawMatches(src1,keypoints1,src2,keypoints2, goodfeatur,result_img);drawKeypoints(src1,keypoints1,src1);drawKeypoints(src2,keypoints2,src2);namedWindow("匹配结果",WINDOW_NORMAL);resizeWindow("匹配结果",500,500);imshow("匹配结果",result_img);waitKey(0);system("pause");return 0;
}

运行结果为：

Opencv（C++）学习系列---特征点检测和匹配相关推荐

【OpenCV学习】（十）特征点检测与匹配
[OpenCV学习](十)特征点检测与匹配背景提取图像的特征点是图像领域中的关键任务,不管在传统还是在深度学习的领域中,特征代表着图像的信息,对于分类.检测任务都是至关重要的: 特征点应用的一些场 ...
opencv学习笔记三十六：AKAZE特征点检测与匹配
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, ...
【OpenCV入门教程之十七】OpenCV重映射 SURF特征点检测合辑
本系列文章由@浅墨_毛星云出品,转载请注明出处. 文章链接: http://blog.csdn.net/poem_qianmo/article/details/30974513 作者:毛星云(浅墨) ...
调用摄像头使用face_recognition 或 opencv中haar人脸特征实时检测识别人脸、给人脸打马赛克/给人脸贴图
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) OpenCV:python调用摄像头同时使用OpenCV中自带 ...
十.OpenCv 特征点检测和匹配
特征点检测和匹配 1. 特征检测的基本概念特征检测是计算机视觉和图像处理中的一个概念.它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征.特征检测的结果是把图像上的点分为不同的子集 ...
系统性综述：特征点检测与匹配
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨梦寐mayshine@知乎(已授权) 来源丨https://zhuanlan.zhihu.com ...
Patch2Pix（CVPR 2021）特征点检测与匹配论文精读笔记
前言论文地址论文补充材料 / 附录代码地址翻译并记录阅读每段的感受和写作逻辑.大概了解特征点检测和目标检测的大致方法的话,不用递归式读论文也能基本理解本文的方法. 参考文献检测: [5] ...
图像特征点检测与匹配评价准则——量化
欢迎转载,转载请注明出处,谢谢! 目前图像匹配中,局部特征匹配占据了绝大部分,常用的局部特征匹配方法有Harris.SIFT.SURF.ORB等等,不同的特征点检测和匹配方法尤其独特的优势和不足: ...
图像特征点检测与匹配评价——量化指标
原文:http://blog.csdn.net/cgwang_1580/article/details/68944319 目前图像匹配中,局部特征匹配占据了绝大部分,常用的局部特征匹配方法有Harri ...

Opencv（C++）学习系列---特征点检测和匹配

Opencv（C++）学习系列---特征点检测和匹配相关推荐

最新文章

热门文章