Opencv Sift算子特征提取与匹配
2017-07-05 16:46
525 查看
SIFT算法的过程实质是在不同尺度空间上查找特征点(关键点),用128维方向向量的方式对特征点进行描述,最后通过对比描述向量实现目标匹配。
概括起来主要有三大步骤:
1、提取关键点;
2、对关键点附加详细的信息(局部特征)也就是所谓的描述器;
3、通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,建立物体间的对应关系。
OpenCV中Sift算子的特征提取是在SiftFeatureDetector类中的detect方法实现的。
特征点描述是在SiftDescriptorExtractor类中的compute方法实现的。
特征点匹配是在BruteForceMatcher类中的match方法实现的。
这其中还用到两个比较有意思的方法:drawKeypoints和drawMatches。以下demo演示Sift的特征提取与匹配的步骤,和这两个方法的用法:
图1和图2中分别有30个特征点,点数的多少可以人为设定。
drawKeypoints方法中第4个参数若设置为Scalar::all(-1),会绘制随机颜色;
本例中drawKeypoints最后一个参数使用的是DrawMatchesFlags::DRAW_RICH_KEYPOINTS,则会绘制特征点的位置、大小、方向信息。若最后一个参数设置为DrawMatchesFlags::DEFAULT;则只会绘制特征的位置信息,表现出来只是一个点。
匹配结果:
opencv中使用Sift算子需要加头文件"opencv2/nonfree/nonfree.hpp",注意这个是非免费的,Sift算法的专利权属于哥伦比亚大学,如果在商业软件中使用,可能有风险。
概括起来主要有三大步骤:
1、提取关键点;
2、对关键点附加详细的信息(局部特征)也就是所谓的描述器;
3、通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,建立物体间的对应关系。
OpenCV中Sift算子的特征提取是在SiftFeatureDetector类中的detect方法实现的。
特征点描述是在SiftDescriptorExtractor类中的compute方法实现的。
特征点匹配是在BruteForceMatcher类中的match方法实现的。
这其中还用到两个比较有意思的方法:drawKeypoints和drawMatches。以下demo演示Sift的特征提取与匹配的步骤,和这两个方法的用法:
#include "highgui/highgui.hpp" #include "opencv2/nonfree/nonfree.hpp" #include "opencv2/legacy/legacy.hpp" using namespace cv; int main(int argc,char *argv[]) { Mat image01=imread(argv[1]); Mat image02=imread(argv[2]); Mat image1,image2; GaussianBlur(image01,image1,Size(3,3),0.5); GaussianBlur(image02,image2,Size(3,3),0.5); //提取特征点 SiftFeatureDetector siftDetector(30); //限定提起前15个特征点 vector<KeyPoint> keyPoint1,keyPoint2; siftDetector.detect(image1,keyPoint1); siftDetector.detect(image2,keyPoint2); //绘制特征点 drawKeypoints(image1,keyPoint1,image1,Scalar::all(-1),DrawMatchesFlags::DRAW_RICH_KEYPOINTS); drawKeypoints(image2,keyPoint2,image2,Scalar::all(-1),DrawMatchesFlags::DRAW_RICH_KEYPOINTS); namedWindow("KeyPoints of image1",0); namedWindow("KeyPoints of image2",0); imshow("KeyPoints of image1",image1); imshow("KeyPoints of image2",image2); //特征点描述,为下边的特征点匹配做准备 SiftDescriptorExtractor siftDescriptor; Mat imageDesc1,imageDesc2; siftDescriptor.compute(image1,keyPoint1,imageDesc1); siftDescriptor.compute(image2,keyPoint2,imageDesc2); //特征点匹配并显示匹配结果 BruteForceMatcher<L2<float>> matcher; vector<DMatch> matchePoints; matcher.match(imageDesc1,imageDesc2,matchePoints,Mat()); Mat imageOutput; drawMatches(image01,keyPoint1,image02,keyPoint2,matchePoints,imageOutput); namedWindow("Mathch Points",0); imshow("Mathch Points",imageOutput); waitKey(); return 0; }
图1和图2中分别有30个特征点,点数的多少可以人为设定。
drawKeypoints方法中第4个参数若设置为Scalar::all(-1),会绘制随机颜色;
本例中drawKeypoints最后一个参数使用的是DrawMatchesFlags::DRAW_RICH_KEYPOINTS,则会绘制特征点的位置、大小、方向信息。若最后一个参数设置为DrawMatchesFlags::DEFAULT;则只会绘制特征的位置信息,表现出来只是一个点。
匹配结果:
opencv中使用Sift算子需要加头文件"opencv2/nonfree/nonfree.hpp",注意这个是非免费的,Sift算法的专利权属于哥伦比亚大学,如果在商业软件中使用,可能有风险。
相关文章推荐
- OpenCV中feature2D学习——SIFT和SURF算子实现特征点提取与匹配
- OpenCV中feature2D学习——SIFT和SURF算子实现特征点提取与匹配
- OpenCV中feature2D学习——FAST特征点检测与SIFT/SURF/BRIEF特征提取与匹配
- OpenCV中提取SIFT特征点、图像匹配、图像配准
- Sift算子特征点提取、描述及匹配全流程解析
- OpenCV实践之路——Qt中用opencv提取和匹配SIFT特征点
- python opencv-3.0 SIFT/SURF 特征提取与匹配
- Sift算子特征点提取、描述及匹配全流程解析
- Opencv中sift特征提取与匹配代码
- Sift算子特征点提取、描述及匹配全流程解析
- Sift算子特征点提取、描述及匹配全流程解析
- opencv-python 提取sift特征并匹配
- 使用Opencv2.4.9进行SIFT特征点提取和匹配
- opencv 提取SIFT特征的程序
- opencv-计算图像的SIFT特征及匹配
- OpenCV_局部图像特征的提取与匹配_源代码
- 【OpenCV】 基于 ransac 算法的 sift 特征匹配程序(开发环境为OpenCV2.3.1+VS2010)
- opencv 特征点提取算法 SIFT SURF ORB FAST LBP学习(一)
- sift图像特征提取与匹配算法代码
- OpenCV_局部图像特征的提取与匹配_源代码