Opencv2.4.9源码分析——DenseFeatureDetector



DenseFeatureDetector可以生成具有一定密度和规律分布的图像特征点，它主要用于3D VIZ。

DenseFeatureDetector的原理是，把输入图像分割成大小相等的网格，每一个网格提取一个像素作为特征点。类似于图像尺度金字塔，该方法也可以生成不同层图像的特征点，每一层图像所分割的网格大小是不同的，即表示各层的尺度不同。

 

下面我们就来分析它的源码。

DenseFeatureDetector类的构造函数：

DenseFeatureDetector::DenseFeatureDetector( float _initFeatureScale, int _featureScaleLevels,
                                      float _featureScaleMul, int _initXyStep,
                                      int _initImgBound, bool _varyXyStepWithScale,
                                      bool _varyImgBoundWithScale ) :
    initFeatureScale(_initFeatureScale), featureScaleLevels(_featureScaleLevels),
    featureScaleMul(_featureScaleMul), initXyStep(_initXyStep), initImgBound(_initImgBound),
    varyXyStepWithScale(_varyXyStepWithScale), varyImgBoundWithScale(_varyImgBoundWithScale)
{}

initFeatureScale表示初始图像层特征点的尺度，默认为1

featureScaleLevels表示需要构建多少层图像，默认为1

featureScaleMul表示各层图像之间参数的比例系数，该系数等于相邻两层图像之间的网格宽度之比，尺度之比，以及预留边界宽度之比，默认为0.1

initXyStep表示初始图像层的网格宽度，默认为6

initImgBound表示初始图像层的预留边界宽度，默认为0

varyXyStepWithScale表示各层图像是否进行网格宽度的调整，如果为false，则表示各层图像网格宽度都是initXyStep，如果为true，则表示各层图像网格宽度不等，它们之间的比例系数为featureScaleMul，默认为true

varyImgBoundWithScale表示各层图像是否进行预留边界宽度的调整，如果为false，则表示各层图像预留边界宽度都是initImgBound，如果为true，则表示各层图像预留边界宽度不等，它们之间的比例系数为featureScaleMul，默认为false

下面是检测特征点函数detectImpl：

void DenseFeatureDetector::detectImpl( const Mat& image, vector<KeyPoint>& keypoints, const Mat& mask ) const
{
    // curScale表示当前层图像特征点的尺度
    float curScale = static_cast<float>(initFeatureScale);
    //curStep表示当前层图像的网格宽度
    int curStep = initXyStep;
    //curBound表示当前层图像的预留边界宽度
    int curBound = initImgBound;
    //遍历各层图像
    for( int curLevel = 0; curLevel < featureScaleLevels; curLevel++ )
    {
        //遍历当前层图像的所有网格，图像四周的预留边界处是没有网格的，横、纵坐标的步长就是网格的宽度
        for( int x = curBound; x < image.cols - curBound; x += curStep )
        {
            for( int y = curBound; y < image.rows - curBound; y += curStep )
            {
                //把网格的左上角坐标处的像素作为该网格的特征点，并保存
                keypoints.push_back( KeyPoint(static_cast<float>(x), static_cast<float>(y), curScale) );
            }
        }
        //调整下一层图像特征点的尺度
        curScale = static_cast<float>(curScale * featureScaleMul);
        //如果varyXyStepWithScale为true，则调整下一层图像的网格宽度
        if( varyXyStepWithScale ) curStep = static_cast<int>( curStep * featureScaleMul + 0.5f );
        //如果varyImgBoundWithScale为true，则调整下一层图像的预留边界宽度
        if( varyImgBoundWithScale ) curBound = static_cast<int>( curBound * featureScaleMul + 0.5f );
    }
    //掩码矩阵的特征点处理
    KeyPointsFilter::runByPixelsMask( keypoints, mask );
}

下面给出一个具体的应用实例：

#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"

using namespace cv;
//using namespace std;

int main(int argc, char** argv)
{
   Mat img = imread("box_in_scene.png"), img1;;
   
   cvtColor( img, img1, CV_BGR2GRAY );

   DenseFeatureDetector dense;

   vector<KeyPoint> key_points;
   Mat output_img;

   dense.detect(img1,key_points,Mat());
   drawKeypoints(img, key_points, output_img, Scalar::all(-1), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

   namedWindow("DENSE");
   imshow("DENSE", output_img);
   waitKey(0);

   return 0;
}