opencv实现最基本的图像配准

简介

　　本篇是对基于opencv实现图像配准的实现笔记。

基本原理

　　可以参考如下流程：
          

　　大致操作：
             1、先拍摄两张有相同区域的图片，注意图片尺寸保持一致。
             2、分别提取出图像的特征点(如果图像质量很差的话，可能需要先做些预处理操作)。
             3、根据图像特征点，对它们做特征点匹配。
             4、筛选出比较好的特征匹配点。
             5、根据这些特征匹配点计算出畸变仿射矩阵。
             6、使用算出来的矩阵进行图像匹配。

具体实现

特征点检测

　　可以参考如下资料：使用FLANN进行特征点匹配
　　核心的大致代码为：

//-- Step 1: Detect the keypoints using SURF Detector
int minHessian = 800;
SurfFeatureDetector detector(minHessian );
std::vector keypoints_1, keypoints_2;
detector.detect(src1, keypoints_1);
detector.detect(src2, keypoints_2);
int i, count = 0;

　　src1和src2分别为配准测试图片，检测出来的图像特征点保存在：keypoints_1和keypoints_2中。
注意结构：keypoints_1[i].pt.x和keypoints_1[i].pt.x ：i表示当前为第几个特征点，x、y为该特征点坐标。

特征点匹配

　　同样可以看前面的参考资料，核心代码如下：

//-- Step 2: Calculate descriptors (feature vectors)
SurfDescriptorExtractor extractor;
Mat descriptors_1, descriptors_2;
extractor.compute(src1, keypoints_1, descriptors_1);
extractor.compute(src2, keypoints_2, descriptors_2);
 
//-- Step 3: Matching descriptor vectors with a brute force matcher
FlannBasedMatcher matcher;
std::vector< DMatch > matches;
matcher.match(descriptors_1, descriptors_2, matches);

　　计算出来的匹配信息保存在matches中。
注意：matches[i].queryIdx、matches[i].trainIdx：i表示当前为第几组匹配点，queryIdx表示该匹配点对应在keypoints_1上的存储位置，
trainIdx表示该匹配点对应在keypoints_2上的存储位置。

特征点筛选

　　具体代码如下：

//-- Step 4: Find good matcher
double max_dist = 0; double min_dist = 100;
for( int i = 0; i < descriptors_1.rows; i++ ){
    double dist = matches[i].distance;
    if(dist < min_dist ) 
        min_dist = dist;
    if(dist > max_dist )
        max_dist = dist; 
}  
 
for(i = 0; i < descriptors_1.rows; i++ ){
    if(matches[i].distance < 2*min_dist){
        count += 1;
        good_matches.push_back(matches[i]);
        good_keypoints_1.push_back(keypoints_1[matches[i].queryIdx]);
        good_keypoints_2.push_back(keypoints_2[matches[i].trainIdx]);
    }
} 

　　根据特征匹配之间的精度误差matches[i].distance，去掉精度误差较高的匹配点。然后将好的匹配点对应的保存到good_keypoints_1和
good_keypoints_2中。

计算畸变仿射矩阵

　　主要是使用opencv函数：estimateRigidTransform来实现。核心代码如下：

std::vector frame1_features_ok, frame2_features_ok;
 
tmpPoint.x = good_keypoints_1[i].pt.x;      
tmpPoint.y = good_keypoints_1[i].pt.y;      
frame1_features_ok.push_back(tmpPoint);
 
tmpPoint.x = good_keypoints_2[i].pt.x;      
tmpPoint.y = good_keypoints_2[i].pt.y;      
frame2_features_ok.push_back(tmpPoint);
 
mat = estimateRigidTransform(frame1_features_ok, frame2_features_ok, true);

　　为了适配函数estimateRigidTransform输入参数，再分别将筛选出来比较好的匹配点存入到frame1_features_ok和frame2_features_ok中，
函数返回的mat中，存储的就是畸变仿射矩阵。

输出结果

　　使用函数cvWarpAffine根据前面算出的仿射矩阵进行仿射变化。

IplImage img = mat;
cvConvert(&img, warp_mat);
cvWarpAffine(&ipI1, &ipIdst, warp_mat);

结果显示[编辑 | 编辑源代码]

　效果演示1:
      
                 原始图像1                                         原始图像2

      
             图像1去配准图像2的结果

　效果演示2:
         
                 原始图像1                                          原始图像2

        
           图像1去配准图像2的结果

对应实例代码下载：http://download.csdn.net/detail/u011630458/9414194