OpenCV——SURF特征检测与匹配

SURF原理详解：https://wenku.baidu.com/view/2f1e4d8ef705cc1754270945.html

SURF算法工作原理

选择图像中的POI(Points of interest) Hessian Matrix
在不同的尺度空间发现关键点，非最大信号压制
发现特征点方法、旋转不变性要求
生成特征向量

SURF构造函数介绍

C++: SURF::SURF(

double hessianThreshold, --阈值检测器使用Hessian的关键点，默认值在

300-500之间

int nOctaves=4, -- 4表示在四个尺度空间

int nOctaveLayers=2, -- 表示每个尺度的层数

bool extended=false,

bool upright=false --表示计算旋转不变性，不计算的速度更快

)

特征点绘制

特征点绘制是为了把检测出来的Surf特征点在原图上绘制出来，这一步是为了把特征点直观的显示出来给我们看，跟整个Surf算子的特征提取和匹配流程没关系。

绘制使用drawKeypoints方法：

void drawKeypoints( const Mat& image,

const vector<KeyPoint>& keypoints,

CV_OUT Mat& outImage,
const Scalar& color=Scalar::all(-1),

int flags=DrawMatchesFlags::DEFAULT

);

第一个参数image：原始图像，可以使三通道或单通道图像；

第二个参数keypoints：特征点向量，向量内每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息；

第三个参数outImage：特征点绘制的画布图像，可以是原图像；

第四个参数color：绘制的特征点的颜色信息，默认绘制的是随机彩色；

第五个参数flags：特征点的绘制模式，其实就是设置特征点的那些信息需要绘制，那些不需要绘制，有以下几种模式可选：

　　DEFAULT：只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。
　　DRAW_OVER_OUTIMG：函数不创建输出的图像,而是直接在输出图像变量空间绘制,要求本身输出图像变量就是一个初始化好了的,size与type都是已经初始化好的变量
　　NOT_DRAW_SINGLE_POINTS：单点的特征点不被绘制
　　DRAW_RICH_KEYPOINTS：绘制特征点的时候绘制的是一个个带有方向的圆,这种方法同时显示图像的坐标,size，和方向,是最能显示特征信息的一种绘制方式。

 1 #include <opencv2/opencv.hpp>
 2 #include <opencv2/xfeatures2d.hpp>
 3 #include <iostream>
 4 
 5 using namespace cv;
 6 using namespace cv::xfeatures2d;
 7 using namespace std;
 8 
 9 int main(int argc, char** argv) {
10     Mat src = imread("test.jpg", IMREAD_GRAYSCALE);
11     if (src.empty()) {
12         printf("could not load image...\n");
13         return -1;
14     }
15     namedWindow("input image", CV_WINDOW_AUTOSIZE);
16     imshow("input image", src);
17 
18     // SURF特征点检测
19     int minHessian = 100;
20     Ptr<SURF> detector = SURF::create(minHessian);//创建一个surf类对象并初始化
21     vector<KeyPoint> keypoints;
22     detector->detect(src, keypoints, Mat());//找出关键点
23 
24     // 绘制关键点
25     Mat keypoint_img;
26     drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
27     imshow("KeyPoints Image", keypoint_img);
28 
29     waitKey(0);
30     return 0;
31 }

绘制匹配点

drawMatches( const Mat& img1, const vector<KeyPoint>& keypoints1,
                             const Mat& img2, const vector<KeyPoint>& keypoints2,
                             const vector<DMatch>& matches1to2, Mat& outImg,
                             const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1),
                             const vector<char>& matchesMask=vector<char>(), int flags=DrawMatchesFlags::DEFAULT );

其中参数如下：

* img1 – 源图像1

* keypoints1 –源图像1的特征点.

* img2 – 源图像2.

* keypoints2 – 源图像2的特征点

* matches1to2 – 源图像1的特征点匹配源图像2的特征点[matches[i]] .

* outImg – 输出图像具体由flags决定.

* matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1)，颜色随机.

* singlePointColor – 单个点的颜色，即未配对的特征点，若matchColor==Scalar::all(-1)，颜色随机.

*matchesMask – Mask决定哪些点将被画出，若为空，则画出所有匹配点.

*flags—它跟drawKeypoints方法中flags的含义是一样的。

当仅使用筛选出的最优匹配点进行匹配的时候，意味着会有很多非最优的特征点不会被匹配，这时候可以设置flags=DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS

 1 #include <opencv2/opencv.hpp>
 2 #include <opencv2/xfeatures2d.hpp>
 3 #include <iostream>
 4 
 5 using namespace cv;
 6 using namespace cv::xfeatures2d;
 7 using namespace std;
 8 
 9 int main(int argc, char** argv) {
10     Mat src = imread("数字.jpg", IMREAD_GRAYSCALE);
11     Mat temp = imread("2.png", IMREAD_GRAYSCALE);
12     if (src.empty()|| temp.empty()) {
13         printf("could not load image...\n");
14         return -1;
15     }
16     namedWindow("input image", CV_WINDOW_AUTOSIZE);
17     imshow("input image", src);
18 
19     // SURF特征点检测
20     int minHessian = 400;
21     Ptr<SURF> detector = SURF::create(minHessian,4,3,true,true);//创建一个surf类检测器对象并初始化
22     vector<KeyPoint> keypoints1, keypoints2;
23     detector->detect(src, keypoints1, Mat());//找出关键点
24     detector->detect(temp, keypoints2, Mat());//找出关键点
25 
26     BFMatcher matcher;         //实例化一个暴力匹配器
27     Mat src_vector, temp_vector;//用来存放特征点的描述向量
28     vector<DMatch> matches;    //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的相关信息
29                                //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
30                                //特征向量的距离和其他信息，这个距离在后面用来做筛选
31 
32     detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
33     detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
34 
35     matcher.match(src_vector, temp_vector, matches);             //匹配，数据来源是特征向量，结果存放在DMatch类型里面  
36 
37                                               //sort函数对数据进行升序排列
38     sort(matches.begin(), matches.end());     //筛选匹配点，根据match里面特征对的距离从小到大排序
39     vector< DMatch > good_matches;
40     int ptsPairs = std::min(50, (int)(matches.size() * 0.15));
41     cout << ptsPairs << endl;
42     for (int i = 0; i < ptsPairs; i++)
43     {
44         good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
45     }
46     Mat outimg;                                //drawMatches这个函数直接画出摆在一起的图
47     drawMatches(src, keypoints1, temp, keypoints2, good_matches, outimg, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  //绘制匹配点  
48     imshow("KeyPoints Image", outimg);       
49 
50     waitKey(0);
51     return 0;
52 }

OpenCV——SURF特征检测与匹配

猜你喜欢