OpenCV2简单的特征匹配
2015-08-05 13:50
567 查看
特征的匹配大致可以分为3个步骤:
特征的提取
计算特征向量
特征匹配
对于3个步骤,在OpenCV2中都进行了封装。所有的特征提取方法都实现FeatureDetector接口,DescriptorExtractor接口则封装了对特征向量(特征描述符)的提取,而所有特征向量的匹配都继承了DescriptorMatcher接口。
简单的特征匹配
实例化了一个特征提取器SurfFeatureDetector,其构造函数参数(minHessian)用来平衡提取到的特征点的数量和特征提取的稳定性的,对于不同的特征提取器改参数具有不同的含义和取值范围。
对得到的特征点提取特征向量(特征描述符)
匹配,上面代码使用了暴力匹配的方法,最后的匹配结果保存在vector<DMatch>中。
DMatch用来保存匹配后的结果
然后使用drawMatches方法可以匹配后的结构保存为Mat
特征的匹配大致可以分为3个步骤:
特征的提取
计算特征向量
特征匹配
对于3个步骤,在OpenCV2中都进行了封装。所有的特征提取方法都实现FeatureDetector接口,DescriptorExtractor接口则封装了对特征向量(特征描述符)的提取,而所有特征向量的匹配都继承了DescriptorMatcher接口。
简单的特征匹配
int main() { const string imgName1 = "x://image//01.jpg"; const string imgName2 = "x://image//02.jpg"; Mat img1 = imread(imgName1); Mat img2 = imread(imgName2); if (!img1.data || !img2.data) return -1; //step1: Detect the keypoints using SURF Detector int minHessian = 400; SurfFeatureDetector detector(minHessian); vector<KeyPoint> keypoints1, keypoints2; detector.detect(img1, keypoints1); detector.detect(img2, keypoints2); //step2: Calculate descriptors (feature vectors) SurfDescriptorExtractor extractor; Mat descriptors1, descriptors2; extractor.compute(img1, keypoints1, descriptors1); extractor.compute(img2, keypoints2, descriptors2); //step3:Matching descriptor vectors with a brute force matcher BFMatcher matcher(NORM_L2); vector<DMatch> matches; matcher.match(descriptors1, descriptors2,matches); //Draw matches Mat imgMatches; drawMatches(img1, keypoints1, img2, keypoints2, matches, imgMatches); namedWindow("Matches"); imshow("Matches", imgMatches); waitKey(); return 0; }
实例化了一个特征提取器SurfFeatureDetector,其构造函数参数(minHessian)用来平衡提取到的特征点的数量和特征提取的稳定性的,对于不同的特征提取器改参数具有不同的含义和取值范围。
对得到的特征点提取特征向量(特征描述符)
匹配,上面代码使用了暴力匹配的方法,最后的匹配结果保存在vector<DMatch>中。
DMatch用来保存匹配后的结果
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) {} int queryIdx; //此匹配对应的查询图像的特征描述子索引 int trainIdx; //此匹配对应的训练(模板)图像的特征描述子索引 int imgIdx; //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。 bool operator < (const DMatch &m) const; };
然后使用drawMatches方法可以匹配后的结构保存为Mat
相关文章推荐
- OpenCV在未知相机内参数情况下的立体图像矫正方法
- Apache2 CGI demo
- PHP nginx 去掉伪静态的配置
- arm-linux笔记3:arm-linux PC文件传输方法总结(4种最常见的方法)
- shell自动创建mysql数据表
- CentOS7 单用户模式
- OpenCV2:等间隔采样和局部均值的图像缩小
- 怎么让网站在浏览器网址前面显示小图标?
- Linux workqueue工作原理
- OpenCV2:Mat属性type,depth,step
- shell脚本初级入门
- 使用Nginx+FFMPEG搭建HLS直播转码服务器
- 使用百度统计对网站进行流量分析和统计
- Linux性能指标分析
- windows主机与虚拟机linux互通
- Open Video Player (OVP)
- 基于linux下libvlc的二次开发
- HDU 5348 MZL's endless loop
- Smooth Streaming Module for Nginx
- linux加固