opencv surf 实现细节

Surf算法是一把牛刀，我们可以很轻易的从网上或各种OpenCV教程里找到Surf的用例，把例程中的代码或贴或敲过来，满心期待的按下F5，当屏幕终于被满屏花花绿绿的小圆点或者N多道连接线条霸占时，内心的民族自豪感油然而生，仿佛屠龙宝刀在手，屁颠屁颠的很开心。

如果对Surf的探究或者使用到此为止，我觉得只是用Surf这把牛刀吓唬了一个小鸡仔，万里长征才刚刚开始第一步，最少有三个问题需要得到解答：

• 1. 保存特征点信息的keyPoints向量内每个元素包含有哪些内容？

• 2. 通过comput方法生成的特征描述子是一个Mat矩阵，该Mat矩阵的结构是怎样的？

• 3. 特征点匹配后生成一个DMatch型的向量matches，这个matches里边的内容又是什么，以及如何有效操作众多匹配信息，为之后在实际中的应用做好基础？

这三个基本的问题得不到一个很好的答案，所谓的利用Sruf进行图像的拼接、融合，物体识别，3D建模等应用应该连纸上谈兵都算不上吧~

通过一个小例子，尝试对这三个问题进行解读。

1. 保存特征点信息的keyPoints向量内每个元素包含有哪些内容？

keyPoints数据结构包含的内容有：

• size1：特征点的总个数

• pt： 特征点的坐标

• size2：特征点的大小

• angle：特征点的角度

• response：特征点的响应强度，代表该点的稳健程度，可以在Surf特征探测器的含参构造函数中设置响应强度的最低阈值，如：  SurfFeatureDetector surfDetector(800);

• octave：特征点所在的金字塔的哪一组

• class_id：特征点的分类

2. 通过comput方法生成的特征描述子是一个Mat矩阵，该Mat矩阵的结构是怎样的？

经过归一化后的描述子Mat矩阵显示：

      

这两个长的很大条的图像就是描述子的图像显示，图像的行数是特征点的个数，上例中图像1的特征点数比图像二的少，表现出来就是图像的高度小一些。

图像的列数是描述特征点的描述子的维度数，在Surf中，维度是64，在SIft中，维度是128，所以如果使用Sift特征的话，图像应该宽两倍。

3. 特征点匹配后生成一个DMatch型的向量matches，这个matches里边的内容又是什么，以及如何有效操作众多匹配信息，为之后在实际中的应用做好基础？

matches数据结构包含的内容有：

• size：配对成功的特征点对数

• queryIdx：当前“匹配点”在查询图像的特征在KeyPoints1向量中的索引号，可以据此找到匹配点在查询图像中的位置

• trainIdx：当前“匹配点”在训练（模板）图像的特征在KeyPoints2向量中的索引号，可以据此找到匹配点在训练图像中的位置

• imgIdx：当前匹配点对应训练图像（如果有若干个）的索引，如果只有一个训练图像跟查询图像配对，即两两配对，则imgIdx=0

• distance：连个特征点之间的欧氏距离，越小表明匹配度越高

4. 匹配特征点sort排序

sort方法可以对匹配点进行从小到大的排序：

使用sort排序之前，每个匹配点对间的距离（即匹配稳健性程度）是随机分布的，排序之后，距离按由小到大的顺序排列，越靠前的，匹配度越高，可以通过排序后把靠前的匹配提取出来。

本例中提取前10个最优匹配（匹配很完美吧，因为这是同一幅图像~）：

以下是完整的程序，有兴趣可参考：

 #include "highgui/highgui.hpp"
 #include "opencv2/nonfree/nonfree.hpp"
 #include "opencv2/legacy/legacy.hpp"
 #include

 using namespace cv;
 using namespace std;

 int main(int argc,char *argv[])
 {
     Mat image01=imread(argv[1]);
     Mat image02=imread(argv[2]);
     Mat image1,image2;
     image1=image01.clone();
     image2=image02.clone();

     //提取特征点
     SurfFeatureDetector surfDetector(800);  //hessianThreshold,海塞矩阵阈值，并不是限定特征点的个数
     vector keyPoint1,keyPoint2;
     surfDetector.detect(image1,keyPoint1);
     surfDetector.detect(image2,keyPoint2);

     //绘制特征点
     drawKeypoints(image1,keyPoint1,image1,Scalar::all(-1));
     drawKeypoints(image2,keyPoint2,image2,Scalar::all(-1),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
     imshow("KeyPoints of image1",image1);
     imshow("KeyPoints of image2",image2);

     //特征点描述，为下边的特征点匹配做准备
     SurfDescriptorExtractor SurfDescriptor;
     Mat imageDesc1,imageDesc2;
     SurfDescriptor.compute(image1,keyPoint1,imageDesc1);
     SurfDescriptor.compute(image2,keyPoint2,imageDesc2);

     //归一化并显示出来描述子
     Mat imageDescShow1;
     Mat imageDescShow2;
     normalize(imageDesc1,imageDescShow1,0,255,CV_MINMAX);
     normalize(imageDesc2,imageDescShow2,0,255,CV_MINMAX);
     convertScaleAbs(imageDescShow1,imageDescShow1);
     convertScaleAbs(imageDescShow2,imageDescShow2);
     imshow("描述子1",imageDescShow1);
     imshow("描述子2",imageDescShow2);

     //特征点匹配并显示匹配结果
     //BruteForceMatcher> matcher;
     FlannBasedMatcher matcher;
     vector matchePoints;
     matcher.match(imageDesc1,imageDesc2,matchePoints,Mat());

     //特征点排序并输出
     cout<<"特征点排序前距离："<
     for(int i=0;i//输出特征点按距离排序前内容
     {
         cout<
     }
     cout<
     cout<<"特征点sort排序后距离："<
     sort(matchePoints.begin(),matchePoints.end()); //按距离从小到大排序
     for(int i=0;i//输出特征点按距离排序前后内容
     {
         cout<
     }

     //提取强特征点
     //获取排在前N个的最优匹配结果
     vector goodMatchePoints;
     for(int i=0;i<10;i++)
     {
         goodMatchePoints.push_back(matchePoints[i]);
     }

     //绘制最优匹配点
     Mat imageOutput;
     drawMatches(image01,keyPoint1,image02,keyPoint2,goodMatchePoints,imageOutput,Scalar::all(-1),
         Scalar::all(-1),vector<char>(),DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
     imwrite("E:\\ss.jpg",imageOutput);
     imshow("Mathch Points",imageOutput);
     waitKey();
     return 0;
 }