SLAM--ORB特征点提取--啰里啰嗦的代码解析

#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。




*/

你可能感兴趣的:(slam,算法解析,ORB,特征点,匹配,提取)