OPENCV2.4.9特征提取和匹配

在OpenCV中使用SIFT、SURT等需要头文件#include

同时需要初始化模块 initModule_nonfree();

通过定义FeatureDetector的对象可以使用多种特征检测方法。

Ptr FeatureDetector::create(const string& detectorType);

detectorType包括：
“FAST” – FastFeatureDetector
“STAR” – StarFeatureDetector
“SIFT” – SIFT (nonfree module)
“SURF” – SURF (nonfree module)
“ORB” – ORB
“MSER” – MSER
“GFTT” – GoodFeaturesToTrackDetector
“HARRIS” – GoodFeaturesToTrackDetector with Harris detector enabled
“Dense” – DenseFeatureDetector
“SimpleBlob” – SimpleBlobDetector

通过定义DescriptorExtractor的对象创建特征向量生成器

Ptrdescriptor_extractor = DescriptorExtractor::create(const string& detectorType)

通过定义DescriptorMatcher的对象创建特征匹配器

Ptrdescriptor_matcher = DescriptorMatcher::create(const string& detectorType)

对应float类型的匹配有：“FlannBased”，“BruteForce“，"BruteForce-SL2，
“BruteForce-L1”。
对应uchar类型的匹配方式有：“BruteForce-Hamming”，“BruteForce-HammingLUT”。

画出特征点

CV_EXPORTS void drawMatches( const Mat& img1, const vector& keypoints1,
                             const Mat& img2, const vector& keypoints2,
                             const vector& matches1to2, Mat& outImg,
                             const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1),
                             const vector& matchesMask=vector(), int flags=DrawMatchesFlags::DEFAULT );

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
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： Fdefined by DrawMatchesFlags

程序

#include
#include
#include   
#include   
#include   
#include   
#include 

using namespace cv;
using namespace std;

void siftDetector(Mat& img1, Mat& img2);

int main()
{
	
	Mat img1 = imread("1.jpg");
	Mat img2 = imread("2.jpg");
	imshow("src", img1);
	if (!img1.data||!img2.data)
	{
		cout << "读取错误" << endl;
		return -1;
	}
	siftDetector(img1,img2);
	waitKey(0);
	return 0;


}

void siftDetector(Mat& img1,Mat& img2)
{
	initModule_nonfree();//初始化模块，使用SIFT或SURF时用到
	Ptrdetector = FeatureDetector::create("SIFT");//创建SIFT特征检测器
	Ptrdescriptor_extractor = DescriptorExtractor::create("SIFT");//创建特征向量生成器
	Ptrdescriptor_matcher = DescriptorMatcher::create("BruteForce");//创建特征匹配器
	if (detector.empty() || descriptor_extractor.empty())
		cout << "创建失败" << endl;
	//读入图像
	

	//特征点检测
	double t = getTickCount();//当前时间
	vectorkeyPoint1, keyPoint2;
	detector->detect(img1, keyPoint1);//检测图1中的SIFT特征点，存储到keyPoint1
	detector->detect(img2, keyPoint2);

	cout << "图像1特征点的个数：" << keyPoint1.size() << endl;
	cout << "图像2特征点的个数：" << keyPoint2.size() << endl;

	//根据特征点计算特征描述子矩阵，即特征向量矩阵
	Mat descriptors1, descriptors2;
	descriptor_extractor->compute(img1, keyPoint1, descriptors1);
	descriptor_extractor->compute(img2, keyPoint2, descriptors2);
	t = ((double)getTickCount() - t) / getTickFrequency();
	cout << "Sift算法用时：" << t << " 秒" << endl;

	cout << "图像1特征描述矩阵大小：" << descriptors1.size() << ", 特征向量个数 ：" 
		<< descriptors1.rows << ", 维数：" << descriptors1.cols << endl;
	cout << "图像2特征描述矩阵大小：" << descriptors2.size() << ", 特征向量个数 ："
		<< descriptors2.rows << ", 维数：" << descriptors2.cols << endl;
	//画出特征点
	Mat img_keyPoint1, img_keyPoint2;
	drawKeypoints(img1, keyPoint1, img_keyPoint1);
	drawKeypoints(img2, keyPoint2, img_keyPoint2);
	/*imshow("img1",img1);
	imshow("img_keyPoint1", img_keyPoint1);*/
	//特征匹配
	vectormatches;//匹配结果
	descriptor_matcher->match(descriptors1, descriptors2, matches);//匹配两个图像的特征矩阵
	cout << "Match个数：" << matches.size() << endl;

	//计算匹配结果中距离的最大和最小值
	//距离是指两个特征向量见的欧式距离，表面两个特征的差异，值越小表面两个特征点越接近
	double max_dist = 0;
	double min_dist = 100;
	double dist;
	for (size_t i = 0; i < matches.size(); i++)
	{
		dist = matches[i].distance;
		if (dist < min_dist)
			min_dist = dist;
		if (dist>max_dist)
			max_dist = dist;
	}
	cout << "最大距离：" << max_dist << endl;
	cout << "最小距离：" << min_dist << endl;
	
	//筛选出较好的匹配点
	vectorgoodMatches;
	//struct DMatch 
	//{ //有三个构造函数 
	//	DMatch() : queryIdx(-1), trainIdx(-1), imgIdx(-1), distance(FLT_MAX) {} 
	//	DMatch( int _queryIdx, int _trainIdx, float _distance ) : queryIdx(_queryIdx), trainIdx(_trainIdx), imgIdx(-1), distance(_distance) {} 
	//	DMatch( int _queryIdx, int _trainIdx, int _imgIdx, float _distance ) : queryIdx(_queryIdx), trainIdx(_trainIdx), imgIdx(_imgIdx), distance(_distance) {} 
	//	CV_PROP_RW int queryIdx; //此匹配对应的查询图像的特征描述子索引 query descriptor index 
	//	CV_PROP_RW int trainIdx; //此匹配对应的训练(模板)图像的特征描述子索引 train descriptor index 
	//	CV_PROP_RW int imgIdx; //训练图像的索引(若有多个) train image index 
	//	CV_PROP_RW 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 { return distance < m.distance; } };
		
	for (int i = 0; i < matches.size(); i++)
	{
		if (matches[i].distance < 0.31*max_dist)
			goodMatches.push_back(matches[i]);//将元素添加到矩阵的底部。（在为mat增加一行的时候，用到push_back）
			
	}
	//画出匹配结果
	Mat img_matches;
	drawMatches(img1, keyPoint1, img2, keyPoint2, goodMatches, img_matches, CV_RGB(255, 0, 0)/*CV_RGB(255,0,0)*/, CV_RGB(0, 255, 0), Mat(), 2);
	imshow("MatchSIFT", img_matches);
	waitKey(0);
	
}