opencv2.4 sift算法的使用
与opencv2.3.1版本的sift算法的编程方法有所不同，貌似opencv2.4版本之后将sift、surf算法移到了nonfree区。
所以，需要包换的头文件：
#include <nonfree/features2d.hpp>#include <nonfree/nonfree.hpp>
增加静态链接库：
opencv_nonfree249d.lib和opencv_features2d249d.lib
注：在使用 initModule_nonfree()函数时，需要用到 opencv_nonfree249d.lib 这个链接库，才能不出现“无法解析的外部符号”。
具体SIFT算法的运算过程是这样的：
1、用FeatureDetector创建相应的特征检测器，并调用FeatureDetector::detect()函数，来求取特征点，并保存在KeyPoint的vector容器中。
特征检测器如下：
Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT特征检测器
其中FeatureDetector::create()函数的参数可选：
• "FAST" – FastFeatureDetector
• "STAR" – StarFeatureDetector
• "SIFT" – SIFT (nonfree module)
• "SURF" – SURF (nonfree module)
• "ORB" – ORB
• "BRISK" – BRISK
• "MSER" – MSER
• "GFTT" – GoodFeaturesToTrackDetector
• "HARRIS" – GoodFeaturesToTrackDetector with Harris detector enabled
• "Dense" – DenseFeatureDetector
• "SimpleBlob" – SimpleBlobDetector
Keypoints特征点类定义如下：
class KeyPoint
{
Point2f pt; //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; //
int octave; //特征点所在的图像金字塔的组
int class_id; //用于聚类的id
}
2、用DescriptorExtractor创建相应的特征向量生成器，并调用DescriptorExtractor::compute()函数，来求取特征矩阵，保存在Mat型变量中。
特征向量生成器定义如下：
Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器
其中DescriptorExtractor::create()函数的参数如下：
• "SIFT" – SIFT
• "SURF" – SURF
• "BRIEF" – BriefDescriptorExtractor
• "BRISK" – BRISK
• "ORB" – ORB
• "FREAK" – FREAK
3、用DescriptorMatcher创建特征匹配器，并调用DescriptorMatcher::match()函数，求取两幅图像之间的匹配点，并保存在DMatch的vector容器中。
特征匹配器定义如下：
Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器其中DescriptorMatcher::create()函数的参数如下，对应不同的匹配算法：
– BruteForce (it uses L2 )
– BruteForce-L1
– BruteForce-Hamming
– BruteForce-Hamming(2)
– FlannBased
DMatch结构体定义如下：
struct DMatch
{
//三个构造函数
DMatch(): queryIdx(-1), trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::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) {}
intqueryIdx; //此匹配对应的查询图像的特征描述子索引
inttrainIdx; //此匹配对应的训练(模板)图像的特征描述子索引
intimgIdx; //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。
booloperator < (const DMatch &m) const;
};
4、调用drawMatches()函数绘制匹配结果。
例程如下：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <features2d/features2d.hpp>
#include <nonfree/features2d.hpp>
#include <nonfree/nonfree.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
/*SIFT算法*/
Mat image1=imread("E:\\test\\lena.bmp",0);
Mat image2=imread("E:\\test\\lena_Match.bmp",0);
initModule_nonfree(); //初始化模块，使用SIFT或SURF时用到
Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT特征检测器
Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器
Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器
if( detector.empty() || descriptor_extractor.empty() )
cout<<"fail to create detector!";
//检测特征点
vector<KeyPoint> vkKeypoints1,vkKeypoints2;
detector->detect(image1,vkKeypoints1);
detector->detect(image2,vkKeypoints2);
cout<<"图像1特征点个数:"<<vkKeypoints1.size()<<endl;
cout<<"图像2特征点个数:"<<vkKeypoints2.size()<<endl;
//根据特征点计算特征描述子矩阵，即特征向量矩阵
Mat mDescriptors1,mDescriptors2;
descriptor_extractor->compute( image1, vkKeypoints1, mDescriptors1);
descriptor_extractor->compute(image2, vkKeypoints2, mDescriptors2);
cout<<"图像1特征描述矩阵大小："<<mDescriptors1.size() <<"，特征向量个数："<<mDescriptors1.rows<<"，维数："<<mDescriptors1.cols<<endl;
cout<<"图像2特征描述矩阵大小："<<mDescriptors2.size() <<"，特征向量个数："<<mDescriptors2.rows<<"，维数："<<mDescriptors2.cols<<endl;
//特征匹配
vector<DMatch> vdMatches;
descriptor_matcher->match(mDescriptors1,mDescriptors2,vdMatches);
//筛选匹配结果
//距离是指两个特征向量间的欧式距离，表明两个特征的差异，值越小表明两个特征点越接近
int nMinDis=100,nMaxDis=0;
for (int i=0;i<vdMatches.size();i++)
{
if (nMinDis>vdMatches[i].distance)
nMinDis=vdMatches[i].distance;
if (nMaxDis<vdMatches[i].distance)
nMaxDis=vdMatches[i].distance;
}
cout<<"最大距离："<<nMaxDis<<endl;
cout<<"最小距离："<<nMinDis<<endl;
vector<DMatch> vdGoodMatches;
for (int i=0;i<vdMatches.size();i++)
{
if (vdMatches[i].distance < nMaxDis * 0.3) //0.3为参考值，距离是指两个特征向量间的欧式距离，表明两个特征的差异，
//值越小表明两个特征点越接近 。越小结果越精，但剩下的点少；越大结果
//越粗，剩下的点多
vdGoodMatches.push_back(vdMatches[i]);
}
//画出匹配结果
Mat mMatchResult;
drawMatches(image1,vkKeypoints1,image2,vkKeypoints2,vdGoodMatches,
mMatchResult,
Scalar::all(-1), //Scalar::all(-1)表示将各匹配点颜色随机生成
CV_RGB(0,255,0), //未匹配点的颜色
Mat(),
DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); //NOT_DRAW_SINGLE_POINTS 不画出未匹配点
namedWindow("Match");
imshow("Match",mMatchResult);
waitKey();
return 0;
}
运行结果：
参考：http://blog.csdn.net/masibuaa/article/details/8998601