#include
#include
#include
#include
using namespace std;
using namespace cv;
int main ( int argc, char** argv )
{
if ( argc != 3 )
{
cout<<"usage: feature_extraction img1 img2"< return 1; } //运行方式 /////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// //-- 读取图像 Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR ); Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR ); //-- 初始化特征点与描述子 std::vector class KeyPoint { Point2f pt; //特征点坐标 float size; //特征点邻域直径 float angle; //特征点的方向,值为0~360,负值表示不使用 float response; //特征点的响应强度,代表了该点是特征点的程度,可以用于后续处理中特征点排序 int octave; //特征点所在的图像金字塔的组 int class_id; //用于聚类的id } Mat descriptors_1, descriptors_2; Ptr Ptr // Ptr // Ptr //暴力匹配法 Ptr //////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// //-- 第一步:检测 Oriented FAST 角点位置 detector->detect ( img_1,keypoints_1 ); detector->detect ( img_2,keypoints_2 ); //-- 第二步:根据角点位置计算 BRIEF 描述子 descriptor->compute ( img_1, keypoints_1, descriptors_1 ); descriptor->compute ( img_2, keypoints_2, descriptors_2 ); //--绘制特征点 Mat outimg1; //画有特征点的图像drawKeypoints函数 drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT ); imshow("ORB特征点",outimg1); //-- 第三步:对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离 vector //BFMatcher matcher ( NORM_HAMMING ); matcher->match ( descriptors_1, descriptors_2, matches ); DMatch类存放匹配结果 struct DMatch { int queryIdx; //此匹配对应的查询图像的特征描述子索引 int trainIdx; //此匹配对应的训练(模板)图像的特征描述子索引 int imgIdx; //训练图像的索引(若有多个) float distance; //两个特征向量之间的欧氏距离,越小表明匹配度越高。 bool operator < (const DMatch &m) const; }; 匹配函数match (matches中保存着描述子之间的匹配关系) vector BFMatcher bfmatcher(NORM_HAMMING); bfmatcher.match(descriptors1, descriptors2, matches); //-- 第四步:匹配点对筛选 1.计算最小距离和最大距离 找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离 double min_dist=10000, max_dist=0; //初始化 // 方法一 for ( int i = 0; i < descriptors_1.rows; i++ ) { double dist = matches[i].distance;//汉明距离matches[i] if ( dist < min_dist ) min_dist = dist; if ( dist > max_dist ) max_dist = dist; } // 方法二 仅供娱乐的写法 min_dist = min_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance max_dist = max_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance //方法三 更好的写法 auto min_max = minmax_element(matches.begin(), matches.end(), [](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; }); double min_dist = min_max.first->distance; double max_dist = min_max.second->distance; printf ( "-- Max dist : %f \n", max_dist ); printf ( "-- Min dist : %f \n", min_dist ); 2.去除错误匹配 //当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限. std::vector< DMatch > good_matches; for ( int i = 0; i < descriptors_1.rows; i++ ) { if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) ) { good_matches.push_back ( matches[i] ); } } //-- 第五步:绘制匹配结果 Mat img_match;//所有匹配 Mat img_goodmatch;//好的匹配 drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );//画匹配线 drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch ); imshow ( "所有匹配点对", img_match ); imshow ( "优化后匹配点对", img_goodmatch ); waitKey(0); return 0; } /--------------------------------------------------------------------------------------------------------------------------------------------------------------------/ 结果 特征点 所有匹配的点对 优化后匹配点对