本章内容:

* 1. 单张图像的特征点计算 cv::xfeatures2d::SURF->detect
         * 2. 图像集合的特征点计算 cv::xfeatures2d::SURF->detect
         * 3. 单张图像特征描述子计算 cv::xfeatures2d::SURF->compute
         * 4. 图像集特征描述子计算 cv::xfeatures2d::SURF->compute
         * 5. 一步计算特征点以及特征描述符 cv::xfeatures2d::SURF->detectAndCompute

1. 单张图像的特征点计算

输出结果:

2. 图像集合的特征点计算

输出结果:

3. 单张图像特征描述符计算

输出结果

4. 图像集合计算特征描述符

输出结果

5.直接计算特征点与特征描述符

输出结果

源码

#include <ostream>
#include <opencv.hpp>
#include<opencv2/opencv.hpp>
#include "opencv2/xfeatures2d.hpp"

int main(int argc, char *argv[])
{
    /*
     本章内容:
         * 1. 单张图像的特征点计算 cv::xfeatures2d::SURF->detect
         * 2. 图像集合的特征点计算 cv::xfeatures2d::SURF->detect
         * 3. 单张图像特征描述子计算 cv::xfeatures2d::SURF->compute
         * 4. 图像集特征描述子计算 cv::xfeatures2d::SURF->compute
         * 5. 一步计算特征点以及特征描述符 detectAndCompute
    */
    cv::String fileName = "/home/wang/dev/Image/pingpang.jpeg";
    cv::String fileName1 = "/home/wang/dev/Image/taohua.jpeg";
    cv::Mat src = cv::imread(fileName);
    cv::Mat src1 = cv::imread(fileName1);

if(src.data == NULL){
        printf("图像读入失败\n");
        return -1;
    }
    /*
     * API接口:    CV_WRAP static Ptr<SURF> create(double hessianThreshold=100,
                  int nOctaves = 4, int nOctaveLayers = 3,
                  bool extended = false, bool upright = false);

*/
    cv::imshow("src",src);
    cv::imshow("src1",src1);
    cv::Ptr<cv::xfeatures2d::SURF> surf= cv::xfeatures2d::SURF::create();
    /* 1. 单张图像的特征点计算 detect
        api接口:CV_WRAP virtual void detect( InputArray image,
                             CV_OUT std::vector<KeyPoint>& keypoints,
                             InputArray mask=noArray() );
    */
    std::vector<cv::KeyPoint> kp1;
    surf->detect(src,kp1);
    cv::Mat dst1;
    cv::drawKeypoints(src,kp1,dst1);
    cv::imshow("dst1",dst1);
    /* 2. 图像集合的特征点计算 detect
            api接口:CV_WRAP virtual void compute( InputArray image,
                              CV_OUT CV_IN_OUT std::vector<KeyPoint>& keypoints,
                              OutputArray descriptors );

*/
    std::vector<cv::Mat> srcs= {src,src1}; // 图像集合构造
    std::vector<cv::Mat> dsts1; // 图像集合构造
    std::vector<std::vector<cv::KeyPoint>> kps1;
    surf->detect(srcs,kps1);
    cv::String file;
    cv::Mat tem;
    for(int i=0; i < kps1.size();i++){
            cv::drawKeypoints(srcs[i],kps1[i],tem);
            dsts1.push_back(tem);
            file = "dsts1 -> " + std::to_string(i);
            cv::imshow(file,tem);
    }

/* 3. 单张图像特征描述子计算 compute
            api接口:CV_WRAP virtual void compute( InputArray image,
                              CV_OUT CV_IN_OUT std::vector<KeyPoint>& keypoints,
                              OutputArray descriptors );
            参数分析: keypoints ：输入输出型特征点，

*/
    cv::Mat des1;
    surf->compute(src,kp1,des1);
    std::cout << "des1.size():" << des1.size() <<std::endl;
    cv::normalize(des1,des1,255,0,cv::NORM_L2);
    cv::transpose(des1,des1);
    cv::imshow("des1", des1);
    /* 4. 图像集特征描述子计算 compute
            api接口:CV_WRAP virtual void compute( InputArrayOfArrays images,
                      CV_OUT CV_IN_OUT std::vector<std::vector<KeyPoint> >& keypoints,
                      OutputArrayOfArrays descriptors );

*/
    std::vector<cv::Mat> dess;
    cv::Mat desNorm;
    surf->compute(srcs,kps1,dess);
    for(int i=0; i < dess.size();i++){
            std::cout << "des ->[" << i << "] size= " << kps1[i].size() << std::endl;
            file = "des -> " + std::to_string(i);
            cv::normalize(dess[i],desNorm,255,0,cv::NORM_L2);
            cv::transpose(desNorm,desNorm);
            cv::imshow(file,desNorm);
    }
    /* 5. 一步计算特征点以及特征描述符 detectAndCompute
            api接口:    CV_WRAP virtual void detectAndCompute( InputArray image, InputArray mask,
                                           CV_OUT std::vector<KeyPoint>& keypoints,
                                           OutputArray descriptors,
                                           bool useProvidedKeypoints=false );

*/
    std::vector<cv::KeyPoint> kp2;
    cv::Mat des2;
    surf->detectAndCompute(src,cv::Mat(),kp2,des2);
    cv::normalize(des2,des2,255,0,cv::NORM_L2);
    cv::transpose(des2,des2);
    cv::Mat dst2;
    cv::drawKeypoints(src,kp2,dst2);
    cv::imshow("dst2",dst2);
    cv::imshow("des",des2);

cv::waitKey(0);
    return 1;
}

opencv surf特征点检测(二)，API接口分析相关推荐

opencv——SURF特征点检测并使用Flann算法匹配
记录一下学习过程,话不多说贴代码: #include <opencv2/core/core.hpp> #include <opencv2/features2d/features2d. ...
【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) ...
[图像识别]10.OpenCV的特征点检测 SIFT和SURF算法
回顾,上节课你学了什么? R=cv.cornerHarris(img,blockSize,ksize,k) corners=cv.goodFeaturesToTrack(img,maxCorners, ...
Android OpenCV（五十八）：SURF特征点检测
SURF 特征点 SUFR (Speed Up Robust Fetures) ,是对 SIFT 算法的一种改进.SIFT (Scale-invariant Feature Transform) 即尺 ...
SURF 特征点检测
SURF可以用于对象定位和识别.人脸识别.3D重建.对象跟踪和提取兴趣点等.常用来进行物体辨识和图像匹配. 1.SURF 全称 speed up robust feature 是加速版的SIFT 2. ...
SURF特征点检测--SurfFeatureDetector、SurfDescriptorExtractor和FlannBasedMatcher
一.关于SURF算法 SURF,我们简单介绍一下,英语全称为SpeededUp Robust Features,直译的话就是"加速版的具有鲁棒性的特征"算法,由Bay在2006年首 ...
Opencv Surf特征实现图像无缝拼接生成全景图像（三）
转自:https://guo-pu.blog.csdn.net/article/details/90657830 图像拼接在实际的应用场景很广,比如无人机航拍,遥感图像等等,图像拼接是进一步做图像理解 ...
特征点检测学习_2(surf算法)
特征点检测学习_2(surf算法) 在上篇博客特征点检测学习_1(sift算法) 中简单介绍了经典的sift算法,sift算法比较稳定,检测到的特征点也比较多,其最大的确定是计算复杂度较高.后面有不少 ...
SURF算法与SIFT算法的性能比较——图像特征点检测与提取算法分析
图像特征点提取算法的算法研究(SURF和SIFT算法) 1. 摘要计算机视觉中,很大一部分研究集中在图像特征提取和特征生成算法上.对图像的优化,不同于一般数学问题的优化方法,图像的优化是对像素点,在 ...

opencv surf特征点检测(二)，API接口分析

本章内容:

1. 单张图像的特征点计算

2. 图像集合的特征点计算

3. 单张图像特征描述符计算

4. 图像集合计算特征描述符

5.直接计算特征点与特征描述符

opencv surf特征点检测(二)，API接口分析相关推荐

最新文章

热门文章