#include#include #include #include using namespace std; using namespace cv; int main(int argc, char** argv) { //判断运行该程序时,是否满足以下启动命令 if(argc != 3) { cout << "usage: ./feature_extraction img_1 img_2" << endl; //注意img_1和img_2要指明路径 return 1; } //读取图像 //argv[0] 是程序名--feature_extraction Mat img_1 = imread(argv[1] , CV_LOAD_IMAGE_COLOR); Mat img_2 = imread(argv[2] , CV_LOAD_IMAGE_COLOR); //初始化 std::vector keypoints_1, keypoints_2; Mat descriptors_1, descriptors_2; //cout << "descriptors_1 = " << descriptors_1 << endl; // 打印结果:descriptors_1 = [] //在代码最后有介绍ORB::create() //ORB::create(nfeatures, scaleFactor, nlevels, edgeThreshold, firstLevel, WTA_K, scoreType, patchSize, fastThreshold); //cv::ORB 实现ORB(oriented BRIEF)关键点检测器和描述子提取器类。 Ptr orb = ORB::create(500, 1.2f, 8, 31, 0, 2, ORB::HARRIS_SCORE, 31, 20); //========================================== // 第一步: 检测Oriented FAST 角点的位置 orb->detect(img_1, keypoints_1); orb->detect(img_2, keypoints_2); // 第二步: 根据角点位置计算BRIEF描述子 orb->compute(img_1, keypoints_1, descriptors_1); orb->compute(img_2, keypoints_2, descriptors_2); Mat outimg1; //输出图像outimg1,用矩阵保存图像信息,包括矩阵头和矩阵数据 drawKeypoints( //Draws keypoints. img_1, keypoints_1, outimg1, Scalar::all(-1), //color Color of keypoints. DrawMatchesFlags::DEFAULT //Output image matrix will be created (Mat::create), ); 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 distance 汉明距离 vector matches; //DMatch---Class for matching keypoint descriptors BFMatcher matcher (NORM_HAMMING); //BFMatcher---Brute-force descriptor matcher.(暴力匹配) matcher.match(descriptors_1, descriptors_2, matches); // 第四步: 匹配点对筛选(p, q) double min_dist = 10000, max_dist = 0; // 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 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; } printf("--Max dist : %f \n", max_dist); printf("--Min dist : %f \n", min_dist); /**********************优化匹配****************************/ //当描述子之间的距离大于两倍的最小距离时, 认为匹配有误 //但有时候最小距离非常小,需要设置一个经验值作为下线 std::vector good_matches; for(int i = 0; i < descriptors_1.rows; i++) { if(matches[i].distance <= max(2*min_dist, 30.0)) //设置经验值30.0作为下线,选取 2*min_dist 和 30.0之间最大的一个 { good_matches.push_back(matches[i]); //如果描述子距离满足条件,就把这个matches[i]压入到优化后的队列good_matches[i]中。 } } //绘制匹配结果 Mat img_match; drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_match); imshow("所有匹配点对", img_match); waitKey(0); //打印优化后的图片 Mat img_goodmatch; drawMatches(img_1,keypoints_1,img_2, keypoints_2, good_matches, img_goodmatch); imshow("优化后的匹配点对", img_goodmatch); waitKey(0); //std::cout << "Hello, World!" << std::endl; return 0; } /* * static Ptr cv::ORB::create ( int nfeatures = 500, //The maximum number of features to retain. float scaleFactor = 1.2f, //金字塔抽取比,大于1。scaleFactor==2表示经典金字塔,每一层的像素都比上一层少4倍, //但如此大的尺度因子会显著降低特征匹配得分。 //另一方面,过于接近1的比例因素将意味着要覆盖一定的比例范围, //你将需要更多的金字塔级别,因此速度将受到影响。 int nlevels = 8, //金字塔等级的数量。 //最小级别的线性大小等于input_image_linear_size/pow(scaleFactor, nlevels). //输入图像线性大小/功率(缩放因子,非线性)。 int edgeThreshold = 31, //这是未检测到特征的边框大小。它应该大致匹配patchSize参数. int firstLevel = 0, //It should be 0 in the current implementation. int WTA_K = 2, //产生oriented BRIEF描述子的每个元素的点数。 int scoreType = ORB::HARRIS_SCORE, //默认的HARRIS_SCORE意味着HARRIS算法用于对特征进行排序 //(分数被写入KeyPoint::score,并用于保留最佳特征); //FAST_SCORE是参数的另一个值,它会产生稍微不太稳定的关键点, //但是计算起来要快一点。 int patchSize = 31, //oriented BRIEF描述符使用的补丁大小。 //在较小的金字塔层上,被特征覆盖的感知图像区域会更大。 int fastThreshold = 20 ) nfeatures :最多提取的特征点的数量; scaleFactor : 金字塔图像之间的尺度参数,类似于SIFT中的?; nlevels: 高斯金字塔的层数; edgeThreshold :边缘阈值,这个值主要是根据后面的patchSize来定的,靠近边缘edgeThreshold以内的像素是不检测特征点的。 firstLevel-:看过SIFT都知道,我们可以指定第一层的索引值,这里默认为0。 WET_K : 用于产生BIREF描述子的点对的个数,一般为2个,也可以设置为3个或4个,那么这时候描述子之间的距离计算就不能用汉明距离了,而是应该用一个变种。OpenCV中,如果设置WET_K = 2,则选用点对就只有2个点,匹配的时候距离参数选择NORM_HAMMING,如果WET_K设置为3或4,则BIREF描述子会选择3个或4个点,那么后面匹配的时候应该选择的距离参数为NORM_HAMMING2。 scoreType :用于对特征点进行排序的算法,你可以选择HARRIS_SCORE,也可以选择FAST_SCORE,但是它也只是比前者快一点点而已。 patchSize :用于计算BIREF描述子的特征点邻域大小。 */