3. opencv进行SIFT特征提取

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

提取特征点后

进行匹配后

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.

时间: 2024-10-09 02:19:17

3. opencv进行SIFT特征提取的相关文章

[转]SIFT特征提取分析

SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配,获得了良好效果,详细解析如下: 算法描述 SIFT特征不只具有尺度不变性,即使改变旋转角度,图像亮度或拍摄视角,仍然能够得到好的检测效果.整个算法分为以下几个部分: 1. 构建尺度空间 这是一个初始化操作,尺度空间

SIFT特征提取分析

SIFT特征提取分析 sift 关键点,关键点检测 读'D. G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints[J],IJCV,2004' 笔记 关键点是指图像中或者视觉领域中明显区别于其周围区域的地方,这些关键点对于光照,视角相对鲁棒,所以对图像关键点提取特征的好坏直接影响后续分类.识别的精度. 特征描述子就是对关键点提取特征的过程,应该具备可重复性.可区分性.准确性.有效性和鲁棒性. SIFT(Scale-I

java 在centos6.5+eclipse环境下调用opencv实现sift算法

java 在centos6.5+eclipse环境下调用opencv实现sift算法,代码如下: import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.MatOfKeyPoint; import org.opencv.highgui.Highgui; import org.opencv.features2d.*; public class ExtractSIFT{ public static

OPENCV下SIFT算法使用方法笔记

这几天继续在看Lowe大神的SIFT神作,看的眼花手脚抽筋.也是醉了!!!!实在看不下去,来点干货.我们知道opencv下自带SIFT特征检测以及MATCH匹配的库,这些库完全可以让我们进行傻瓜似的操作.但实际用起来的时候还不是那么简单.下文将对一个典型的基于OPENCV的SIFT特征点提取以及匹配的例程进行分析,并由此分析详细的对OPENCV中SIFT算法的使用进行一个介绍. OPENCV下SIFT特征点提取与匹配的大致流程如下: 读取图片->特征点检测(位置,角度,层)->特征点描述的提取

OpenCV实现SIFT图像拼接源代码

OpenCV实现SIFT和KDtree和RANSAC图像拼接源代码,此源代码由Opencv2.4.13.6和VC++实现,代码本人已经调试过,完美运行,效果如附图.Opencv2.4.13.6下载地址:http://www.211xun.com/download_page_1261_cn.html 点击下载 原文地址:https://www.cnblogs.com/211xun/p/10500012.html

python—sift特征提取

一.SIFT提出的目的和意义 二.SIFT的特征简介 三.SIFT算法实现步骤简述 四.图像集 五.SIFT算法代码实现 代码 结果截图 小结 六.SIFT实验总结 一.SIFT提出的目的和意义 1999年David G.Lowe教授总结了基于特征不变技术的检测方法,在图像尺度空间基础上,提出了对图像缩放.旋转保持不变性的图像局部特征描述算子-SIFT(尺度不变特征变换),该算法在2004年被加以完善. 二.SIFT的特征简介 SIFT算法可以解决的问题 目标的旋转.缩放.平移(RST) 图像仿

[OpenCV-Python] OpenCV 中图像特征提取与描述 部分 V (一)

部分 V图像特征提取与描述 29 理解图像特征 目标本节我会试着帮你理解什么是图像特征,为什么图像特征很重要,为什么角点很重要等.29.1 解释 我相信你们大多数人都玩过拼图游戏吧.首先你们拿到一张图片的一堆碎片,要做的就是把这些碎片以正确的方式排列起来从而重建这幅图像.问题是,你怎样做到的呢?如果把你做游戏的原理写成计算机程序,那计算机就也会玩拼图游戏了.如果计算机可以玩拼图,我们就可以给计算机一大堆自然图片,然后就可以让计算机把它拼成一张大图了.如果计算机可以自动拼接自然图片,那我们是不是可

[OpenCV-Python] OpenCV 中图像特征提取与描述 部分 V (二)

部分 V图像特征提取与描述 34 角点检测的 FAST 算法 目标 ? 理解 FAST 算法的基础 ? 使用 OpenCV 中的 FAST 算法相关函数进行角点检测原理 我们前面学习了几个特征检测器,它们大多数效果都很好.但是从实时处理的角度来看,这些算法都不够快.一个最好例子就是 SLAM(同步定位与地图构建),移动机器人,它们的计算资源非常有限.为了解决这个问题,Edward_Rosten 和 Tom_Drummond 在 2006 年提出里 FAST 算法.我们下面将会对此算法进行一个简单

在vs环境中跑动sift特征提取

因为在前两天的学习中发现.在opencv环境中跑动sift特征点提取还是比较困难的. 所以在此,进行记述. 遇到的问题分别有,csdn不愿意花费积分.配置gtk困难.教程海量然而能跑者鲜.描述不详尽等. [然后我却是发现这个borwhess实在是不知道叫先生何名为好.] 话归正题. 以下跑动具体过程: 首先去: http://blog.csdn.net/masibuaa/article/details/9246493 发现main.cpp 也就是:检测sift的部分. 这个回头慢慢凿.先跑起来: