3. opencv提取SIFT特征

opencv中sift特征提取的步骤

  1. 使用SiftFeatureDetector 的detect方法检测特征存入一个向量里,并使用drawKeypoints在图中标识出来
  2. SiftDescriptorExtractor 的compute方法提取特征描述符,特征描述符是一个矩阵
  3. 使用匹配器matcher对描述符进行匹配,匹配结果保存由DMatch的组成的向量里
  4. 设置距离阈值,使得匹配的向量距离小于最小距离的2被才能进入最终的结果,用DrawMatch可以显示

代码


// 使用Flann进行特征点匹配.cpp : 定义控制台应用程序的入口点。

//

#include "stdafx.h"

#include <opencv2/opencv.hpp>

#include <highgui/highgui.hpp>

#include <features2d/features2d.hpp>

#include <nonfree/nonfree.hpp>

#include <vector>

using namespace cv;

using namespace std;

int _tmain(int argc, _TCHAR* argv[])

{

    Mat input1 = imread("E://code//test//image//box.png", 1);

    Mat input2 = imread("E://code//test//image//box_in_scene.jpg", 1);

    if (input1.empty()||input2.empty())

    {

        cout << "不能正常加载图片" << endl;

        system("pause");

        return -1;

    }

    /************************************************************************/

    /*下面进行提取特征点*/

    /************************************************************************/

    SiftFeatureDetector feature;

    vector<KeyPoint> kerpoints1;

    feature.detect(input1, kerpoints1);

    Mat output1;

    drawKeypoints(input1, kerpoints1, output1);

    vector<KeyPoint> kerpoints2;

    feature.detect(input2, kerpoints2);

    Mat output2;

    drawKeypoints(input2, kerpoints2, output2);

    imshow("提取特征点后的box.png", output1);

    imshow("提取特征点后的box_in_scene.png", output2);

    imwrite("提取特征点后的box.png", output1);

    imwrite("提取特征点后的box_in_scene.png", output2);

    cout << "box提取的特征点数为:" << kerpoints1.size() << endl;

    cout << "box_in_scene的特征点数为:" << kerpoints2.size() << endl;

    /************************************************************************/

    /* 下面进行特征向量提取 */

    /************************************************************************/

    SiftDescriptorExtractor descript;

    Mat description1;

    descript.compute(input1, kerpoints1, description1);

    Mat description2;

    descript.compute(input2, kerpoints2, description2);

    /************************************************************************/

    /* 下面进行特征向量临近匹配 */

    /************************************************************************/

    vector<DMatch> matches;

    FlannBasedMatcher matcher;

    Mat image_match;

    matcher.match(description1, description2, matches);

    /************************************************************************/

    /* 下面计算向量距离的最大值与最小值 */

    /************************************************************************/

    double max_dist = 0, min_dist = 100;

    for (int i = 0; i < description1.rows; i++)

    {

        if (matches.at(i).distance>max_dist)

        {

            max_dist = matches[i].distance;

        }

        if (matches[i].distance<min_dist)

        {

            min_dist = matches[i].distance;

        }

    }

    cout << "最小距离为" << min_dist << endl;

    cout << "最大距离为" << max_dist << endl;

    /************************************************************************/

    /* 得到距离小于而V诶最小距离的匹配 */

    /************************************************************************/

    vector<DMatch> good_matches;

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

    {

        if (matches[i].distance<2*min_dist)

        {

            good_matches.push_back(matches[i]);

            cout <<"第一个图中的"<< matches[i].queryIdx<<"匹配了第二个图中的"<<matches[i].trainIdx<<endl;

        }

    }

    drawMatches(input1, kerpoints1, input2, kerpoints2, good_matches, image_match);

    imshow("匹配后的图片", image_match);

    imwrite("匹配后的图片.png", image_match);

    cout << "匹配的特征点数为:" << good_matches.size() << endl;

    waitKey(0);

    return 0;

}

程序运行前的原始图片

box.png
box_in_scene.png

提取特征点后

box提取特征后.png
box_in_scene提取特征后

进行匹配后

匹配特征后.png
Paste_Image.png
Paste_Image.png

相关代码介绍


    double max_dist = 0, min_dist = 100;

    for (int i = 0; i < description1.rows; i++)

    {

        if (matches.at(i).distance>max_dist)

        {

            max_dist = matches[i].distance;

        }

        if (matches[i].distance<min_dist)

        {

            min_dist = matches[i].distance;

        }

    }  

设置阈值,当特征向量的距离在最小距离的二倍范围内的,匹配为好的匹配;

本博文由时尚时尚最时尚的markdown编辑器编写.

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,884评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,347评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,435评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,509评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,611评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,837评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,987评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,730评论 0 267
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,194评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,525评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,664评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,334评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,944评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,764评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,997评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,389评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,554评论 2 349

推荐阅读更多精彩内容

  • 学习资料 SIFT特征提取分析-Rachel Zhang的专栏 SIFT原理与源码分析(图文并茂,最详细) Ope...
    keloli阅读 4,073评论 2 9
  • SIFT特征 SIFT(Scale-invariant feature transform)是一种检测局部特征算法...
    张博一阅读 12,419评论 0 6
  • 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。...
    mogu酱阅读 2,082评论 1 11
  • 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。...
    ChrisJO阅读 2,404评论 1 10
  • 作者:魏城 一 定居一个地方 偶尔换个地方住 叫旅游 常换地方住 偶尔定居 叫流浪 二 又要启程了 人生就是一连串...
    魏城阅读 169评论 0 3