【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序

关键点匹配效果

一、数据集

二、目标搜索图像

三、源码：

#define _CRT_SECURE_NO_WARNINGS
// flann_search_dataset.cpp
// Naive program to search a query picture in a dataset illustrating usage of FLANN
// 在数据集中搜索查询图片 说明 FLANN 使用的简单程序//
#include <iostream>
#include <vector>
#include "opencv2/core.hpp"
#include "opencv2/core/utils/filesystem.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/flann.hpp"using namespace cv;
using std::cout;
using std::endl;#define _ORB_const char* keys =
"{ help h | | Print help message. }"
"{ dataset |C:/Users/Zohar/Pictures/Test | Path to the images folder used as dataset. }"
"{ image |  C:/Users/Zohar/Pictures/pujing.bmp | Path to the image to search for in the dataset. }"
"{ save |  C:/Users/Zohar/Pictures/pujingflann.bmp  | Path and filename where to save the flann structure to. }"
"{ load |    | Path and filename where to load the flann structure from. }";struct img_info {int img_index;//图片索引unsigned int nbr_of_matches;//匹配数目img_info(int _img_index, unsigned int _nbr_of_matches): img_index(_img_index), nbr_of_matches(_nbr_of_matches){}
};int main(int argc, char* argv[])
{//-- 测试程序选项CommandLineParser parser(argc, argv, keys);if (parser.has("help")){parser.printMessage();return -1;}//读取要搜索的图像const cv::String img_path = parser.get<String>("image");Mat img = imread(samples::findFile(img_path), IMREAD_GRAYSCALE);if (img.empty()){cout << "Could not open the image " << img_path << endl;return -1;}//数据集目录const cv::String db_path = parser.get<String>("dataset");if (!utils::fs::isDirectory(db_path)){cout << "Dataset folder " << db_path.c_str() << " doesn't exist!" << endl;return -1;}//加载flann结构const cv::String load_db_path = parser.get<String>("load");if ((load_db_path != String()) && (!utils::fs::exists(load_db_path))){cout << "File " << load_db_path.c_str()<< " where to load the flann structure from doesn't exist!" << endl;return -1;}//保存flann结构const cv::String save_db_path = parser.get<String>("save");//-- Step 1: Detect the keypoints using a detector, compute the descriptors//   in the folder containing the images of the dataset//使用检测器检测关键点，计算包含数据集图像的文件夹中的描述符//SIFT \ ORB 特征
#ifdef _SIFT_int minHessian = 400;Ptr<Feature2D> detector = SIFT::create(minHessian);
#elif defined(_ORB_)Ptr<Feature2D> detector = ORB::create();
#elsecout << "Missing or unknown defined descriptor. ""Only SIFT and ORB are currently interfaced here" << endl;return -1;
#endifstd::vector<KeyPoint> db_keypoints;//关键点Mat db_descriptors;///数据集描述子 矩阵std::vector<unsigned int> db_images_indice_range; //存储每个图像的索引范围store the range of indices per imagestd::vector<int> db_indice_2_image_lut;           //将描述符索引与其图像匹配 match descriptor indice to its imagedb_images_indice_range.push_back(0);//数据集图像索引向量std::vector<cv::String> files;//数据集文件路径 向量utils::fs::glob(db_path, cv::String(), files);for (std::vector<cv::String>::iterator itr = files.begin(); itr != files.end(); ++itr)//遍历数据集{Mat tmp_img = imread(*itr, IMREAD_GRAYSCALE);//读取灰度图像if (!tmp_img.empty()){std::vector<KeyPoint> kpts;Mat descriptors;detector->detectAndCompute(tmp_img, noArray(), kpts, descriptors);//检测每张数据集的关键点和计算其描述子db_keypoints.insert(db_keypoints.end(), kpts.begin(), kpts.end());//所有图像关键点在一个长向量中db_descriptors.push_back(descriptors);//添加到数据集描述子矩阵中。一行一个图像的描述子db_images_indice_range.push_back(db_images_indice_range.back()+ static_cast<unsigned int>(kpts.size()));//图像最后一个关键点索引}}//-- Set the LUTdb_indice_2_image_lut.resize(db_images_indice_range.back());//const int nbr_of_imgs = static_cast<int>(db_images_indice_range.size() - 1);//图象数-1for (int i = 0; i < nbr_of_imgs; ++i)//遍历所有数据集图像{const unsigned int first_indice = db_images_indice_range[i];//关键点向量的  起始索引const unsigned int last_indice = db_images_indice_range[i + 1];//关键点向量的 终止索引std::fill(db_indice_2_image_lut.begin() + first_indice,db_indice_2_image_lut.begin() + last_indice,i);//第i+1张图像的关键点  起、止索引之间   都填充为图像索引i。}//-- Step 2: 构建存储描述符的结构build the structure storing the descriptors
#if defined(_SIFT_)cv::Ptr<flann::GenericIndex<cvflann::L2<float> > > index;if (load_db_path != String())index = cv::makePtr<flann::GenericIndex<cvflann::L2<float> > >(db_descriptors,cvflann::SavedIndexParams(load_db_path));elseindex = cv::makePtr<flann::GenericIndex<cvflann::L2<float> > >(db_descriptors,cvflann::KDTreeIndexParams(4));#elif defined(_ORB_)// L1、L2、Hamming 等距离计算方法cv::Ptr<flann::GenericIndex<cvflann::Hamming<unsigned char> > > index;if (load_db_path != String())//保存数据集的flann最近邻索引类的文件路径非空index = cv::makePtr<flann::GenericIndex<cvflann::Hamming<unsigned char> > >(db_descriptors, cvflann::SavedIndexParams(load_db_path));//FLANN 最近邻索引类。此类使用为其构建索引的元素类型进行模板化。保存索引类。elseindex = cv::makePtr<flann::GenericIndex<cvflann::Hamming<unsigned char> > >(db_descriptors, cvflann::LshIndexParams());//
#elsecout << "Descriptor not listed. Set the proper FLANN distance for this descriptor" << endl;return -1;
#endifif (save_db_path != String())index->save(save_db_path);//保存数据集的flann最近邻索引类 //如果没有设置查询图像则返回 Return if no query image was setif (img_path == String())return 0;//-- 检测关键点并计算查询图像的描述符 Detect the keypoints and compute the descriptors for the query imagestd::vector<KeyPoint> img_keypoints;//453个关键点Mat img_descriptors;//453x32  每个关键点 32列detector->detectAndCompute(img, noArray(), img_keypoints, img_descriptors);//检测要搜索图像的关键点和计算描述子//-- Step 3: retrieve the descriptors in the dataset matching the ones of the query image// /!\ knnSearch doesn't follow OpenCV standards by not initialising empty Mat properties//检索数据集中与查询图像匹配的描述符// knnSearch 通过不初始化空的 Mat 属性来不遵循 OpenCV 标准const int knn = 2;//从数据集中找两个最接近的图像Mat indices(img_descriptors.rows, knn, CV_32S);//近邻索引 矩阵
#if defined(_SIFT_)
#define DIST_TYPE floatMat dists(img_descriptors.rows, knn, CV_32F);
#elif defined(_ORB_)
#define DIST_TYPE intMat dists(img_descriptors.rows, knn, CV_32S);//近邻距离 矩阵
#endifindex->knnSearch(img_descriptors, indices, dists, knn, cvflann::SearchParams(32));//计算搜索图像的k近邻索引和距离   453x2   2：两张相似图像。 每个图像中与搜索图像的453个关键点相近的点索引//--使用劳氏比率检验过滤匹配 Filter matches using the Lowe's ratio testconst float ratio_thresh = 0.7f;//比率阈值std::vector<DMatch> good_matches; //匹配项 集合  containsstd::vector<unsigned int> matches_per_img_histogram(nbr_of_imgs, 0);//匹配直方图for (int i = 0; i < dists.rows; ++i)//遍历每个关键点匹配到的k个近邻距离{if (dists.at<DIST_TYPE>(i, 0) < ratio_thresh * dists.at<DIST_TYPE>(i, 1))//第i个关键点  与第一近邻的距离 小于0.7*与第二近邻的距离{const int indice_in_db = indices.at<int>(i, 0);//获取第一近邻在数据集中的索引DMatch dmatch(i, indice_in_db, db_indice_2_image_lut[indice_in_db],static_cast<float>(dists.at<DIST_TYPE>(i, 0)));//创建匹配对象。  第i个关键点，与第i个关键点的第一近邻的匹配关键点 索引，匹配图像索引，与第一近邻距离good_matches.push_back(dmatch);//添加到匹配项集合中： 关键点，数据集中关键点的匹配对象，匹配图像索引，距离。  matches_per_img_histogram[db_indice_2_image_lut[indice_in_db]]++;//近邻图像中匹配的关键点总数。 k=2.所有只有两个有数值，其它都为0.}}//-- Step 4: 找到匹配比例最高的数据集图像find the dataset image with the highest proportion of matchesstd::multimap<float, img_info> images_infos;//每张图像匹配信息 集合：包含总关键点数与匹配点数比例  以及 数据集对应图像信息for (int i = 0; i < nbr_of_imgs; ++i)//遍历所有数据集图像{const unsigned int nbr_of_matches = matches_per_img_histogram[i];//数据集图像i与 搜索图像匹配的关键点数if (nbr_of_matches < 4) //单应性至少需要 4 个点  we need at leat 4 points for a homographycontinue;//匹配点数小于4  不考虑const unsigned int nbr_of_kpts = db_images_indice_range[i + 1] - db_images_indice_range[i];//第i+1张数据集图像的关键点数const float inverse_proportion_of_retrieved_kpts =static_cast<float>(nbr_of_kpts) / static_cast<float>(nbr_of_matches);//图像的关键点与匹配到的点数比例img_info info(i, nbr_of_matches);//创建图像匹配信息： 第i+1张图像，与搜索图像匹配点数nbr_of_matchesimages_infos.insert(std::pair<float, img_info>(inverse_proportion_of_retrieved_kpts,info));//添加到近邻图像匹配信息集合中}if (images_infos.begin() == images_infos.end())//没有匹配项{cout << "No good match could be found." << endl;//没找到相似图像return 0;}//-- if there are several images with a similar proportion of matches,// select the one with the highest number of matches weighted by the// squared ratio of proportions如果有几张图像的匹配比例相似，则选择匹配比例最高的一张const float best_matches_proportion = images_infos.begin()->first;//取出第一张近邻的匹配信息的比率信息float new_matches_proportion = best_matches_proportion;//初始化最佳比率img_info best_img = images_infos.begin()->second;//第一张近邻的匹配信息的图像信息std::multimap<float, img_info>::iterator it = images_infos.begin();++it;while ((it != images_infos.end()) && (it->first < 1.1 * best_matches_proportion))//遍历匹配信息中所有项{const float ratio = new_matches_proportion / it->first;//前面最好近邻的匹配信息比率/后一匹配信息的比率      历史最好匹配比率与当前项匹配比率的比值if (it->second.nbr_of_matches * (ratio * ratio) > best_img.nbr_of_matches)//后面的图像匹配点数*比例系数平方  超过历史最好匹配关键点数，认为后面的图像匹配更好{new_matches_proportion = it->first;//更新最佳匹配比例best_img = it->second;//更新最佳匹配图像信息}++it;}//-- Step 5: 过滤属于数据集最佳图像匹配的   goodmatches   filter goodmatches that belong to the best image match of the datasetstd::vector<DMatch> filtered_good_matches;for (std::vector<DMatch>::iterator itr(good_matches.begin()); itr != good_matches.end(); ++itr)//遍历所有匹配的关键点{if (itr->imgIdx == best_img.img_index)//匹配的关键点所属图像索引   与 最佳匹配图像的图像索引 一致filtered_good_matches.push_back(*itr);// 匹配的关键点 添加到集合中}//--从数据集中检索最佳图像匹配 Retrieve the best image match from the datasetMat db_img = imread(files[best_img.img_index], IMREAD_GRAYSCALE);//最佳匹配图像//--绘制匹配项 Draw matchesMat img_matches;//输出图像drawMatches(img, img_keypoints, db_img, db_keypoints, filtered_good_matches, img_matches, Scalar::all(-1),Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//绘制匹配对//--显示检测到的匹配项 Show detected matchesimshow("Good Matches", img_matches);waitKey();return 0;
}

四、gif 演示

参考：

opencv feature2D模块(二）_cshilin的博客-CSDN博客https://blog.csdn.net/cshilin/article/details/52107813?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165347471716780357230974%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165347471716780357230974&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-52107813-null-null.142^v10^pc_search_result_control_group,157^v12^new_style1&utm_term=Feature2D&spm=1018.2226.3001.4187

OpenCV使用 GenericIndex 进行 KNN 搜索_mightbxg的博客-CSDN博客https://blog.csdn.net/mightbxg/article/details/118338302?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165347465116782248516618%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165347465116782248516618&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-118338302-null-null.142^v10^pc_search_result_control_group,157^v12^new_style1&utm_term=GenericIndex&spm=1018.2226.3001.4187

opencv+flann库+GenericIndex类_大王叫我来巡山228的博客-CSDN博客https://blog.csdn.net/weixin_40710375/article/details/80594960?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165347465116782248586689%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165347465116782248586689&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-2-80594960-null-null.142^v10^pc_search_result_control_group,157^v12^new_style1&utm_term=GenericIndex&spm=1018.2226.3001.4187

C++ map容器和multimap容器（STL map容器）_MagnumLu的博客-CSDN博客_c++ multimaphttps://blog.csdn.net/qq_28584889/article/details/83855734?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165347460916782184657270%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165347460916782184657270&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-83855734-null-null.142^v10^pc_search_result_control_group,157^v12^new_style1&utm_term=multimap&spm=1018.2226.3001.4187

OpenCV学习笔记：drawmatches函数的参数详解_视觉闫小亘的博客-CSDN博客_drawmatches函数https://blog.csdn.net/two_ye/article/details/100576029?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165347450816782425119139%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165347450816782425119139&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-100576029-null-null.142^v10^pc_search_result_control_group,157^v12^new_style1&utm_term=drawMatches&spm=1018.2226.3001.4187

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序相关推荐

OpenCV FLANN在数据集中搜索查询图片的实例(附完整代码)
OpenCV FLANN在数据集中搜索查询图片的实例 OpenCV FLANN在数据集中搜索查询图片的实例 OpenCV FLANN在数据集中搜索查询图片的实例 #include <iostre ...
关于大数据统计大量股票开盘平均价和收盘价的简单程序程序
1.需要统计的文件 2.单个文件的内容 3.程序内容 package com.test4; import java.io.IOException; import java.util.Iterator; ...
微信小程序之页面内搜索查询功能
文章目录一.效果演示二.如何操作三.项目demo地址四.参考链接一.效果演示二.如何操作具体操作可以参考博客原生微信小程序,搜索框(search)组件和微信小程序页面内搜索查询(无后台) ...
易宝典——玩转O365中的EXO服务之四十创建就地电子数据展示搜索
就地电子数据展示是靠就地电子数据展示搜索,将符合条件(例如关键字.开始日期和结束日期.发件人地址和收件人地址以及邮件类型等.)的邮件搜索出来用于展示.因此,在使用就地电子数据展示之前,必须为其创建就地 ...
易宝典——玩转O365中的EXO服务之四十二导出就地电子数据展示搜索结果
对于搜索结果,如果仅仅只能预览查看而不能提取,那么就无法将相关结果提供给第三方(如法院)作为证据或其它电子数据需求处理. 在Office 365的Exchange Online中,提供两种提取电子数据 ...
在所有数据库的所有数据中搜索关键字
本例脚本旨在所有数据库的所有数据中搜索关键字,可将以下脚本直接拷贝使用,注意留意注解.本例的核心思路是用游标遍历所有数据库中所有表的所有列,用列名对关键字进行匹配,对匹配结果进行判断,然后只输出有关键 ...
Django 前后端分离实战项目生鲜超市（七）之Vue展示商品分类数据和搜索
Vue展示商品分类数据和搜索前言所有vue接口全部在src/api/api.js文件下代码已上传至github:https://github.com/kalipoison/fresh-marke ...
图像搜索引擎1|使用Python颜色直方图在数据集中搜索视觉上相似的图像
图像搜索引擎1|使用Python颜色直方图在数据集中搜索视觉上相似的图像这篇博客将介绍如何从头到尾创建图像搜索引擎.第一步是选择一个图像描述符--使用3D RGB直方图来表征图像的颜色.然后通过提取 ...
php实现关键字搜索mysql数据_PHP实现多个关键词搜索查询功能示例
本文实例讲述了PHP实现多个关键词搜索查询功能.分享给大家供大家参考,具体如下: PHP对于数据库的搜索主要通过使用SQL语句中的like子句来实现.如果同时搜索多个关键词,可以使用union子句来将 ...

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序相关推荐

最新文章

热门文章

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片 说明 FLANN 使用的简单程序

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片 说明 FLANN 使用的简单程序相关推荐

最新文章

热门文章

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序

【opencv450-samples】flann_search_dataset.cpp在数据集中搜索查询图片说明 FLANN 使用的简单程序相关推荐