opencv2 4 sift演算法的使用

2021-06-25 16:10:44 字數 3956 閱讀 1162

與opencv2.3.1版本的sift演算法的程式設計方法有所不同，貌似opencv2.4版本之後將sift、surf演算法移到了nonfree區。

所以，需要包換的標頭檔案：

#include

#include

opencv_nonfree249d.lib和opencv_features2d249d.lib

具體sift演算法的運算過程是這樣的：

1、用featuredetector建立相應的特徵檢測器，並呼叫featuredetector::detect()函式，來求取特徵點，並儲存在keypoint的vector容器中。

特徵檢測器如下：

ptrdetector = featuredetector::create( "sift" );//建立sift特徵檢測器
其中featuredetector::create()函式的引數可選：

• "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

• "******blob" – ******blobdetector

keypoints特徵點類定義如下：

class keypoint
2、用descriptorextractor建立相應的特徵向量生成器，並呼叫descriptorextractor::compute()函式，來求取特徵矩陣，儲存在mat型變數中。

特徵向量生成器定義如下：

ptrdescriptor_extractor = descriptorextractor::create( "sift" );//建立特徵向量生成器
其中descriptorextractor::create()函式的引數如下：

• "sift" – sift

• "surf" – surf

• "brief" – briefdescriptorextractor

• "brisk" – brisk

• "orb" – orb

• "freak" – freak

3、用descriptormatcher建立特徵匹配器，並呼叫descriptormatcher::match()函式，求取兩幅影象之間的匹配點，並儲存在dmatch的vector容器中。

特徵匹配器定義如下：

ptrdescriptor_matcher = descriptormatcher::create( "bruteforce" );//建立特徵匹配器
其中descriptormatcher::create()函式的引數如下，對應不同的匹配演算法：

– bruteforce (it uses l2 ) 

– bruteforce-l1

– bruteforce-hamming

– bruteforce-hamming(2)

– flannbased

dmatch結構體定義如下：

struct dmatch


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; //此匹配對應的查詢影象的特徵描述子索引


inttrainidx; //此匹配對應的訓練(模板)影象的特徵描述子索引


intimgidx; //訓練影象的索引(若有多個)


float distance; //兩個特徵向量之間的歐氏距離，越小表明匹配度越高。


booloperator < (const dmatch &m) const;


};
4、呼叫drawmatches()函式繪製匹配結果。

例程如下：

#include #include #include #include #include #include using namespace cv;


using namespace std;


int main()


{ /*sift演算法*/


mat image1=imread("e:\\test\\lena.bmp",0);


mat image2=imread("e:\\test\\lena_match.bmp",0);


initmodule_nonfree(); //初始化模組，使用sift或surf時用到 


ptrdetector = featuredetector::create( "sift" );//建立sift特徵檢測器 


ptrdescriptor_extractor = descriptorextractor::create( "sift" );//建立特徵向量生成器 


ptrdescriptor_matcher = descriptormatcher::create( "bruteforce" );//建立特徵匹配器 


if( detector.empty() || descriptor_extractor.empty() ) 


cout<


//檢測特徵點


vectorvkkeypoints1,vkkeypoints2;


detector->detect(image1,vkkeypoints1);


detector->detect(image2,vkkeypoints2);


cout<


descriptor_extractor->compute(image2, vkkeypoints2, mdescriptors2);


cout<


descriptor_matcher->match(mdescriptors1,mdescriptors2,vdmatches);


//篩選匹配結果


//距離是指兩個特徵向量間的歐式距離，表明兩個特徵的差異，值越小表明兩個特徵點越接近


int nmindis=100,nmaxdis=0;


for (int i=0;ivdmatches[i].distance)


nmindis=vdmatches[i].distance;


if (nmaxdisvdgoodmatches;


for (int i=0;i


注：如果僅僅想畫出特徵點，可呼叫


drawkeypoints()函式實現，如：drawkeypoints(img1,keypoints1,img_keypoints1,scalar::all(-1),0); 。


執行結果：


參考：

sift的opencv簡易實現

實驗室的mac下xcode scale invariant feature transform sift 特點 穩定 獨特 多量 高速 可擴充套件 步驟 1.多尺度空間極點檢測 2.關鍵點 keypoints 定位 3.關鍵點的方向確定 4.描述子生成 細節 高斯卷積為多尺度空間唯一線性核 l x,...

使用OPENCV自帶的sift提取特徵

最近在使用opencv中自帶的sift特徵提取器，學藝不精導致很簡單的東西搞了好幾天沒出來，今天解決了特意紀錄下 opencv empty proj.cpp 定義控制台應用程式的入口點。include stdafx.h include include include include include ...

使用OPENCV自帶的sift提取特徵

原文 最近在使用opencv中自帶的sift特徵提取器，學藝不精導致很簡單的東西搞了好幾天沒出來，今天解決了特意紀錄下 opencv empty proj.cpp 定義控制台應用程式的入口點。include stdafx.h include include include include inclu...