第七讲 feature_extraction.cpp

#include <iostream>

#include <opencv2/core/core.hpp>

#include <opencv2/features2d/features2d.hpp>

#include <opencv2/highgui/highgui.hpp>

 

using namespace std;

using namespace cv;

 

int main ( int argc, char** argv )

{

    if ( argc != 3 )

    {

        cout<<"usage: feature_extraction img1 img2"<<endl;

        return 1;

    }

    //-- 读取图像

    Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );

    Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );

 

    //-- 初始化

    std::vector<KeyPoint> keypoints_1, keypoints_2;

    Mat descriptors_1, descriptors_2;

//需指定类型('<>'中)及参数('()'内), 传递的参数必须与指定的类型的构造函数匹配

    Ptr<FeatureDetector> detector = ORB::create();//FeatureDetector类型的指针dector

    Ptr<DescriptorExtractor> descriptor = ORB::create();//DescriptorExtractor类型的指针descriptor

    // Ptr<FeatureDetector> detector = FeatureDetector::create(detector_name);

    // Ptr<DescriptorExtractor> descriptor = DescriptorExtractor::create(descriptor_name);

    Ptr<DescriptorMatcher> matcher  = DescriptorMatcher::create ( "BruteForce-Hamming" );//DescriptorMatcher类型的指针 matcher

 

    //-- 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;

    drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );

    imshow("ORB特征点",outimg1);

 

    //-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离

    vector<DMatch> matches;

    //BFMatcher matcher ( NORM_HAMMING );

    matcher->match ( descriptors_1, descriptors_2, matches );

 

    //-- 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;

        if ( dist > max_dist ) max_dist = dist;

    }

    

    // 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;

    for ( int i = 0; i < descriptors_1.rows; i++ )

    {

        if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) )

  {

            good_matches.push_back ( matches[i] );

        }

    }

 

    //-- 第五步:绘制匹配结果

    Mat img_match;

    Mat img_goodmatch;

    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );

    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch );

    imshow ( "所有匹配点对", img_match );

    imshow ( "优化后匹配点对", img_goodmatch );

    waitKey(0);

 

    return 0;

}