OpenCV2.4.4中调用SIFT特征检测器进行图像匹配

OpenCV中一些相关结构说明：

特征点类：

[cpp] view plain copy  

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  

}  

存放匹配结果的结构：

[cpp] view plain copy  

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;  

};  

       说明：以两个特征点描述子(特征向量)之间的欧氏距离作为特征点匹配的相似度准则，假设特征点对p和q的

               特征描述子分别为Des_p和Des_q，则其欧氏距离定义为：

                所以每个匹配分别对应训练图像(train)和查询图像(query)中的一个特征描述子(特征向量)。

[cpp] view plain copy  

#include "opencv2/highgui/highgui.hpp"  

#include "opencv2/imgproc/imgproc.hpp"  

#include "opencv2/nonfree/nonfree.hpp"  

#include "opencv2/nonfree/features2d.hpp"  

#include <iostream>  

#include <stdio.h>  

#include <stdlib.h>  

  

using namespace cv;  

using namespace std;  

  

int main()  

{  

    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!";  

  

    //读入图像  

    Mat img1 = imread("desk.jpg");  

    Mat img2 = imread("desk_glue.jpg");  

  

    //特征点检测  

    double t = getTickCount();//当前滴答数  

    vector<KeyPoint> keypoints1,keypoints2;  

    detector->detect( img1, keypoints1 );//检测img1中的SIFT特征点，存储到keypoints1中  

    detector->detect( img2, keypoints2 );  

    cout<<"图像1特征点个数:"<<keypoints1.size()<<endl;  

    cout<<"图像2特征点个数:"<<keypoints2.size()<<endl;  

  

    //根据特征点计算特征描述子矩阵，即特征向量矩阵  

    Mat descriptors1,descriptors2;  

    descriptor_extractor->compute( img1, keypoints1, descriptors1 );  

    descriptor_extractor->compute( img2, keypoints2, descriptors2 );  

    t = ((double)getTickCount() - t)/getTickFrequency();  

    cout<<"SIFT算法用时："<<t<<"秒"<<endl;  

  

  

    cout<<"图像1特征描述矩阵大小："<<descriptors1.size()  

        <<"，特征向量个数："<<descriptors1.rows<<"，维数："<<descriptors1.cols<<endl;  

    cout<<"图像2特征描述矩阵大小："<<descriptors2.size()  

        <<"，特征向量个数："<<descriptors2.rows<<"，维数："<<descriptors2.cols<<endl;  

  

    //画出特征点  

    Mat img_keypoints1,img_keypoints2;  

    drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);  

    drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);  

    //imshow("Src1",img_keypoints1);  

    //imshow("Src2",img_keypoints2);  

  

    //特征匹配  

    vector<DMatch> matches;//匹配结果  

    descriptor_matcher->match( descriptors1, descriptors2, matches );//匹配两个图像的特征矩阵  

    cout<<"Match个数："<<matches.size()<<endl;  

  

    //计算匹配结果中距离的最大和最小值  

    //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  

    double max_dist = 0;  

    double min_dist = 100;  

    for(int i=0; i<matches.size(); i++)  

    {  

        double dist = matches[i].distance;  

        if(dist < min_dist) min_dist = dist;  

        if(dist > max_dist) max_dist = dist;  

    }  

    cout<<"最大距离："<<max_dist<<endl;  

    cout<<"最小距离："<<min_dist<<endl;  

  

    //筛选出较好的匹配点  

    vector<DMatch> goodMatches;  

    for(int i=0; i<matches.size(); i++)  

    {  

        if(matches[i].distance < 0.31 * max_dist)  

        {  

            goodMatches.push_back(matches[i]);  

        }  

    }  

    cout<<"goodMatch个数："<<goodMatches.size()<<endl;  

  

    //画出匹配结果  

    Mat img_matches;  

    //红色连接的是匹配的特征点对，绿色是未匹配的特征点  

    drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,  

                Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);  

  

    imshow("MatchSIFT",img_matches);  

    waitKey(0);  

    return 0;  

}  

结果：

效果图：

源码下载：

http://download.csdn.net/detail/masikkk/5511831

当然，这些匹配还没有经过系统的筛选，还存在大量的错配，关于匹配的筛选参见这篇文章：

 利用RANSAC算法筛选SIFT特征匹配

以及RobHess的SIFT源码分析系列文章：http://blog.csdn.net/masibuaa/article/details/9191309

from: http://blog.csdn.net/masibuaa/article/details/8998601

总结

以上是生活随笔为你收集整理的OpenCV2.4.4中调用SIFT特征检测器进行图像匹配的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。