OpenCV——SURF特征检测、匹配与对象查找
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
BF(暴力)匹配(src目标图,temp需要查找的背景图)
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"); 11 Mat temp = imread("2.png"); 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 Mat src_vector, temp_vector;//用来存放特征点的描述向量 24 25 //detector->detect(src, keypoints1, Mat());//找出关键点 26 //detector->detect(temp, keypoints2, Mat());//找出关键点 27 28 //找到特征点并计算特征描述子(向量) 29 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 30 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) 31 32 33 //匹配 34 BFMatcher matcher(NORM_L2); //实例化一个暴力匹配器(括号里可以选择匹配方法) 35 36 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匹配信息 37 //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 38 //特征向量的距离和其他信息,这个距离在后面用来做筛选 39 40 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 41 42 //匹配点筛选 43 //sort函数对数据进行升序排列 44 //筛选匹配点,根据match里面特征对的距离从小到大排序 45 //筛选出最优的30个匹配点(可以不使用,会画出所有特征点) 46 47 sort(matches.begin(), matches.end()); 48 vector< DMatch > good_matches; 49 int ptsPairs = std::min(30, (int)(matches.size() * 0.15));//匹配点数量不大于50 50 cout << ptsPairs << endl; 51 for (int i = 0; i < ptsPairs; i++) 52 { 53 good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch 54 } 55 56 57 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图 58 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点 59 imshow("BFMatcher Image", MatchesImage); 60 61 waitKey(0); 62 return 0; 63 }
FLANN匹配
1 #include <opencv2/opencv.hpp> 2 #include <opencv2/xfeatures2d.hpp> 3 #include <iostream> 4 #include <math.h> 5 6 using namespace cv; 7 using namespace cv::xfeatures2d; 8 using namespace std; 9 10 int main(int argc, char** argv) { 11 Mat src = imread("数字.jpg",0); 12 Mat temp = imread("2.png",0); 13 if (src.empty() || temp.empty()) { 14 printf("could not load image...\n"); 15 return -1; 16 } 17 namedWindow("input image", CV_WINDOW_AUTOSIZE); 18 imshow("input image", src); 19 20 // SURF特征点检测 21 int minHessian = 400; 22 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 23 vector<KeyPoint> keypoints1, keypoints2; 24 Mat src_vector, temp_vector;//用来存放特征点的描述向量 25 26 //detector->detect(src, keypoints1, Mat());//找出关键点 27 //detector->detect(temp, keypoints2, Mat());//找出关键点 28 29 //找到特征点并计算特征描述子(向量) 30 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 31 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) 32 33 34 //匹配 35 FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法) 36 37 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匹配信息 38 //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 39 //特征向量的距离和其他信息,这个距离在后面用来做筛选 40 41 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 42 43 //求最小最大距离 44 double minDistance = 1000;//反向逼近 45 double maxDistance = 0; 46 for (int i=0; i< src_vector.rows; i++) { 47 double distance = matches[i].distance; 48 if (distance > maxDistance) { 49 maxDistance = distance; 50 } 51 if (distance < minDistance) { 52 minDistance = distance; 53 } 54 } 55 printf("max distance : %f\n", maxDistance); 56 printf("min distance : %f\n", minDistance); 57 58 //筛选较好的匹配点 59 vector< DMatch > good_matches; 60 for (int i = 0; i < src_vector.rows; i++) { 61 double distance = matches[i].distance; 62 if (distance < max(minDistance * 2, 0.02)) { 63 good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch 64 } 65 } 66 67 /*//sort函数对数据进行升序排列 68 //筛选匹配点,根据match里面特征对的距离从小到大排序 69 //筛选出最优的50个匹配点(可以不使用,会画出所有特征点) 70 71 sort(matches.begin(), matches.end()); 72 vector< DMatch > good_matches; 73 int ptsPairs = std::min(50, (int)(matches.size() * 0.15));//匹配点数量不大于50 74 cout << ptsPairs << endl; 75 for (int i = 0; i < ptsPairs; i++) 76 { 77 good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch 78 } 79 */ 80 81 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图 82 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点 83 imshow("FLANN Image", MatchesImage); 84 85 waitKey(0); 86 return 0; 87 }
对象查找
1 #include <opencv2/opencv.hpp> 2 #include <opencv2/xfeatures2d.hpp> 3 #include <iostream> 4 #include <math.h> 5 6 using namespace cv; 7 using namespace cv::xfeatures2d; 8 using namespace std; 9 10 int main(int argc, char** argv) { 11 Mat src = imread("fire_5.jpg"); 12 Mat temp = imread("数字.jpg"); 13 if (src.empty() || temp.empty()) { 14 printf("could not load image...\n"); 15 return -1; 16 } 17 namedWindow("input image", CV_WINDOW_AUTOSIZE); 18 imshow("input image", src); 19 20 // SURF特征点检测 21 int minHessian = 400; 22 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 23 vector<KeyPoint> keypoints1, keypoints2; 24 Mat src_vector, temp_vector;//用来存放特征点的描述向量 25 26 //detector->detect(src, keypoints1, Mat());//找出关键点 27 //detector->detect(temp, keypoints2, Mat());//找出关键点 28 29 //找到特征点并计算特征描述子(向量) 30 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 31 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) 32 33 34 //匹配 35 FlannBasedMatcher matcher; //实例化一个FLANN匹配器(括号里可以选择匹配方法) 36 37 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匹配信息 38 //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 39 //特征向量的距离和其他信息,这个距离在后面用来做筛选 40 41 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 42 43 //求最小最大距离 44 double minDistance = 1000;//反向逼近 45 double maxDistance = 0; 46 for (int i = 0; i < src_vector.rows; i++) { 47 double distance = matches[i].distance; 48 if (distance > maxDistance) { 49 maxDistance = distance; 50 } 51 if (distance < minDistance) { 52 minDistance = distance; 53 } 54 } 55 printf("max distance : %f\n", maxDistance); 56 printf("min distance : %f\n", minDistance); 57 58 //筛选较好的匹配点 59 vector< DMatch > good_matches; 60 for (int i = 0; i < src_vector.rows; i++) { 61 double distance = matches[i].distance; 62 if (distance < max(minDistance * 3, 0.02)) { 63 good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch 64 } 65 } 66 67 68 Mat MatchesImage; //drawMatches这个函数直接画出摆在一起的图 69 drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //绘制匹配点 70 71 72 vector<Point2f> obj; 73 vector<Point2f> objInScene; 74 for (size_t t = 0; t < good_matches.size(); t++) { 75 obj.push_back(keypoints1[good_matches[t].queryIdx].pt);//返回对象在模板图特征点坐标 76 objInScene.push_back(keypoints2[good_matches[t].trainIdx].pt);//返回对象在背景查找图的坐标 77 } 78 79 Mat H = findHomography(obj,objInScene,RANSAC);//计算透视变换矩阵 80 81 vector<Point2f> obj_corner(4); 82 vector<Point2f> scene_corner(4); 83 obj_corner[0] = Point(0, 0); 84 obj_corner[1] = Point(src.cols, 0); 85 obj_corner[2] = Point(src.cols,src.rows); 86 obj_corner[3] = Point(0, src.rows); 87 88 perspectiveTransform(obj_corner, scene_corner,H);//透视变换 89 90 //画出边框线 91 line(MatchesImage, scene_corner[0] + Point2f(src.cols, 0), scene_corner[1] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0); 92 line(MatchesImage, scene_corner[1] + Point2f(src.cols, 0), scene_corner[2] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0); 93 line(MatchesImage, scene_corner[2] + Point2f(src.cols, 0), scene_corner[3] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0); 94 line(MatchesImage, scene_corner[3] + Point2f(src.cols, 0), scene_corner[0] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0); 95 imshow("FLANN Image", MatchesImage); 96 97 line(temp, scene_corner[0], scene_corner[1], Scalar(0, 0, 255), 2, 8, 0); 98 line(temp, scene_corner[1], scene_corner[2], Scalar(0, 0, 255), 2, 8, 0); 99 line(temp, scene_corner[2], scene_corner[3], Scalar(0, 0, 255), 2, 8, 0); 100 line(temp, scene_corner[3], scene_corner[0], Scalar(0, 0, 255), 2, 8, 0); 101 imshow("temp Image", temp); 102 103 waitKey(0); 104 return 0; 105 }
转载于:https://www.cnblogs.com/long5683/p/9692987.html
OpenCV——SURF特征检测、匹配与对象查找相关推荐
- OpenCV SURF FLANN匹配单应性的实例(附完整代码)
OpenCV SURF FLANN匹配单应性的实例 OpenCV SURF FLANN匹配单应性的实例 OpenCV SURF FLANN匹配单应性的实例 #include <iostream& ...
- OpenCV SURF FLANN匹配的实例(附完整代码)
OpenCV SURF FLANN匹配的实例 OpenCV SURF FLANN匹配的实例 OpenCV SURF FLANN匹配的实例 #include <iostream> #incl ...
- OpenCV中的SURF特征检测、匹配与对象查找
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 ...
- OpenCV特征检测,角检测,特征点检测,特征匹配,对象查找
特征检测 图像的特征是指图像中具有独特性和易于识别性的区域,角.边缘等都属于有意义的特征. 8.1角检测 角是两条边的交点,也可称为角点或拐角,它是图像中各个方向上强度变化最大的区域. OpenCV的 ...
- OpenCV——KAZE、AKAZE特征检测、匹配与对象查找
AKAZE是KAZE的加速版 特征点查找和绘制:把surf中的surf改成KAZE或AKAZE即可 1 #include <opencv2/opencv.hpp> 2 #include ...
- OpenCV + CPP 系列(卅五)图像特征提取(SURF特征检测、SIFT特征检测)
文章目录 一.SIFT特征检测 二.SURF特征检测 演示SURF.SIFT特征检测 OpenCV-python 角点特征检测之二(SIFT.SURF.ORB) 一.SIFT特征检测 SIFT(Sca ...
- 【OpenCV-Python】——哈里斯/Shi-Tomas角检测FAST/SIFT/ORB特征点检测暴力/FLANN匹配器对象查找
目录 前言: 1.角检测 1.1 哈里斯角检测 1.2 优化哈里斯角 1.3 Shi-Tomasi角检测 2.特征点检测 2.1 FAST特征点检测 2.2 SIFT特征检测 2.3 ORB特征检测 ...
- 利用SURF特征检测和FLANN最近邻算法实现图像的目标提取
图像处理开发需求.图像处理接私活挣零花钱,请加微信/QQ 2487872782 图像处理开发资料.图像处理技术交流请加QQ群,群号 271891601 标题中提到的方法的具体应用场景如下: ⑴以图搜图 ...
- 使用Python,OpenCV检测摄像机到标记对象的距离
使用Python,OpenCV检测摄像机到标记对象的距离 1. 效果图 2. 三角形相似性是什么? 3. 三角形相似性检测距离原理 4. 使用Python,OpenCV检测标记对象 5. 源码 参考 ...
- opencv3/C++ SURF特征检测
SURF即Speeded Up Robust Features加速鲁棒特征: 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. 工作原理: 1.选择图像中POI(Point ...
最新文章
- 初识java反射机制
- Windows Phone 开发起步之旅之二 C#中的值类型和引用类型
- NET Core 3.0 AutoFac替换内置DI的新姿势
- 请移步到我的新浪博客
- 华为mstp多生成树配置_MSTP多区域生成树协议配置举例
- 别说我不告诉你,如此养车包你把自己也养穷了……
- 《人月神话》——一部被名字误导的软件开发的书——第一次阅读
- 求求你,别再叫我 X 工了!!!
- webrtc学习———记录三:mediaStreamTrack
- 例2.2 成绩排序 - 九度教程第2题(排序)
- 人之间的尊重是相互的_人和人之间,尊重永远是相互的,是礼貌,是美德,更是善良的表现...
- 飞秋常见文件解决方案
- DS1302时钟基础使用(含代码)
- word文档怎么压缩,word文档压缩方法
- 2017版张宇1000题【题目收集】
- R可视化绘图二-ggplot2
- Rational rose安装步骤
- PS小知识(二)——画固定大小的形状
- 计算机桌面变蓝屏,电脑进入桌面蓝屏解决方法
- DPU芯片头部企业云豹智能加入龙蜥社区,共同推动新一代数据中心基础设施蓬勃发展
热门文章
- go语言应用知识:-1-输入项目信息,获取相应内容打印
- 帆软报表嵌套在iframe中,HTML的fieldset 定义的为自定义导出按钮
- FR决策表单JS实现自动滚屏/滚动效果
- coco 数据集_PyTorch版YOLOv4更新了,适用于自定义数据集
- python字符串的删除操作_学习快人一步|python中常见的27个字符串操作
- antdesign 所兼容的浏览器_React爬坑之路——Antd兼容IE
- CS224N笔记——RNN和语言模型
- [CF592D]Super M
- 最长不下降子序列//序列dp
- vagrant 错误记录