Stitching模块中对特征提取的封装解析（以ORB特性为例）

titching模块中对特征提取的封装解析（以ORB特性为例）

    OpenCV中Stitching模块（图像拼接模块）的拼接过程可以用PipeLine来进行描述，是一个比较复杂的过程。在这个过程中，特征提取是重要的一个部分。由于OpenCV发展到了3.X以后，Stitching模块的相关函数进行了重新封装，所以对于学习研究造成了一定困难。这里通过解析代码，研究Stitching模块中的特征提取部分，并且和直接进行特征提取的相关函数进行比对。

采用的图片为 parliament2.bmp 和 parliament3.bmp

　　

 

一、直接的特征提取

结果图片

可以看到很明显，右图中绘制出来了左图通过放射变换后所在的位置。目测是比较准确的。

代码：

#include "stdafx.h"
#include <iostream>
#include "opencv2/objdetect/objdetect.hpp"   
#include "opencv2/features2d/features2d.hpp"   
#include "opencv2/highgui/highgui.hpp"   
#include "opencv2/calib3d/calib3d.hpp"   
#include "opencv2/imgproc/imgproc_c.h"   
#include "opencv2/imgproc/imgproc.hpp"    
using namespace std;
using namespace cv;
using namespace cv::detail;
int main(int argc, char* argv[])
{
    //读入测试用图
    Mat img1 = imread("graf1.png");
    Mat img2 = imread("graf3.png");
    Ptr<DescriptorMatcher> descriptorMatcher;
    // Match between img1 and img2
    vector<DMatch> matches;
    // keypoint  for img1 and img2
    vector<KeyPoint> keyImg1, keyImg2;
    // Descriptor for img1 and img2
    Mat descImg1, descImg2;
    //创建ORB对象
    Ptr<Feature2D> b = ORB::create();
    //两种方法寻找特征点
    b->detect(img1, keyImg1, Mat());
    // and compute their descriptors with method  compute
    b->compute(img1, keyImg1, descImg1);
    // or detect and compute descriptors in one step
    b->detectAndCompute(img2, Mat(),keyImg2, descImg2,false);
    //匹配特征点
    descriptorMatcher = DescriptorMatcher::create("BruteForce");
    descriptorMatcher->match(descImg1, descImg2, matches, Mat());
    Mat index;
    int nbMatch=int(matches.size());
    Mat tab(nbMatch, 1, CV_32F);
    for (int i = 0; i<nbMatch; i++)
    {
        tab.at<float>(i, 0) = matches[i].distance;
    }
    sortIdx(tab, index, cv::SORT_EVERY_COLUMN +cv::SORT_ASCENDING);
    vector<DMatch> bestMatches;
    for (int i = 0; i<60; i++)
    {
        bestMatches.push_back(matches[index.at<int>(i, 0)]); 
    }
    Mat result;
    drawMatches(img1, keyImg1, img2, keyImg2, bestMatches, result);
    std::vector<Point2f> obj;
    std::vector<Point2f> scene;
    for( int i = 0; i < (int)bestMatches.size(); i++ )
    {    
        obj.push_back( keyImg1[ bestMatches[i].queryIdx ].pt );
        scene.push_back( keyImg2[ bestMatches[i].trainIdx ].pt );
    }
    //直接调用ransac,计算单应矩阵
    Mat H = findHomography( obj, scene, CV_RANSAC );
    //绘制仿射结果
    std::vector<Point2f> obj_corners(4);
    std::vector<Point2f> scene_corners(4);
    obj_corners[0] = Point(0,0); 
    obj_corners[1] = Point( img1.cols, 0 );
    obj_corners[2] = Point( img1.cols, img1.rows ); 
    obj_corners[3] = Point( 0, img1.rows );
    perspectiveTransform( obj_corners, scene_corners, H);
    //-- Draw lines between the corners (the mapped object in the scene - image_2 )
    Point2f offset( (float)img1.cols, 0);
    line( result, scene_corners[0] + offset, scene_corners[1] + offset, Scalar(0, 255, 0), 4 );
    line( result, scene_corners[1] + offset, scene_corners[2] + offset, Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[2] + offset, scene_corners[3] + offset, Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[3] + offset, scene_corners[0] + offset, Scalar( 0, 255, 0), 4 );
    imshow("result", result);
    waitKey();
}
    

这段代码主要参考的是OpenCV自带的"matchmethod_orb_akaze_brisk.cpp"。需要注意的是3.X版本中ORB函数的定义和之前也是不一样的。

二、使用Stitching模块

代码：

#include "stdafx.h"
#include <iostream>
#include "opencv2/objdetect/objdetect.hpp"   
#include "opencv2/features2d/features2d.hpp"   
#include "opencv2/highgui/highgui.hpp"   
#include "opencv2/calib3d/calib3d.hpp"   
#include "opencv2/imgproc/imgproc_c.h"   
#include "opencv2/imgproc/imgproc.hpp"    
using namespace std;
using namespace cv;
using namespace cv::detail;
int main(int argc, char* argv[])
{
    //读入测试用图
    Mat img1 = imread("parliament2.bmp");
    Mat img2 = imread("parliament3.bmp");
    
    //两图拼成一个图
    Mat result(img1.rows,2* img1.cols  ,CV_8UC3,Scalar::all(0));
    Mat MatSub = result.colRange(0, img1.cols);
    img1.copyTo(MatSub);
    MatSub = result.colRange(img1.cols,2*img1.cols);
    img2.copyTo(MatSub);
     
    //创建特征寻找指针
    Ptr<FeaturesFinder> finder = makePtr<OrbFeaturesFinder>();
    //创建保存特征的数据结构
    vector<ImageFeatures> features(2);
    //直接对3通道图片进行特征提取操作
    (*finder)(img1,features[0]);
    (*finder)(img2,features[1]);
    finder->collectGarbage();
    //配对
    vector<MatchesInfo> pairwise_matches;
    Ptr<FeaturesMatcher> matcher =  makePtr<BestOf2NearestMatcher>(false, 0.3f);
    (*matcher)(features, pairwise_matches);
    matcher->collectGarbage();
    //绘制仿射变换情况
    std::vector<Point2f> obj_corners(4);
    std::vector<Point2f> scene_corners(4);
    obj_corners[0] = Point(0,0); 
    obj_corners[1] = Point( img1.cols, 0 );
    obj_corners[2] = Point( img1.cols, img1.rows ); 
    obj_corners[3] = Point( 0, img1.rows );
    //获得适合的H
    Mat H;
    for ( int i=0;i<pairwise_matches.size();i++)
    {
        if (pairwise_matches[i].src_img_idx == 0 && pairwise_matches[i].dst_img_idx == 1)
        {
            H = pairwise_matches[i].H;
        }
    }
    perspectiveTransform( obj_corners, scene_corners, H);
    //-- Draw lines between the corners (the mapped object in the scene - image_2 )
    Point2f offset( (float)img1.cols,0);
    line( result, scene_corners[0] +offset  , scene_corners[1]  +offset , Scalar(0, 255, 0), 4 );
    line( result, scene_corners[1]  +offset , scene_corners[2]  +offset , Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[2] +offset  , scene_corners[3]  +offset , Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[3]   +offset , scene_corners[0]  +offset , Scalar( 0, 255, 0), 4 );
    imshow("result",  result);
    imwrite("result.jpg",result);
    waitKey();
}
    

对后面这段代码重点解析。

1、首先为了能够最后方便显示，首先就是将两幅图片合成了一副图片，采用的是copyto+mask参数的方法。这种方法是我在AskOpenCV上面学到的。

 //读入测试用图
    Mat img1 = imread("parliament2.bmp");
    Mat img2 = imread("parliament3.bmp");
    
    //两图拼成一个图
    Mat result(img1.rows,2* img1.cols  ,CV_8UC3,Scalar::all(0));
    Mat MatSub = result.colRange(0, img1.cols);
    img1.copyTo(MatSub);
    MatSub = result.colRange(img1.cols,2*img1.cols);
    img2.copyTo(MatSub);

2、创建特征提取函数

  //创建特征寻找指针
    Ptr<FeaturesFinder> finder = makePtr<OrbFeaturesFinder>();
    //创建保存特征的数据结构
    vector<ImageFeatures> features(2);
    //直接对3通道图片进行特征提取操作
    (*finder)(img1,features[0]);
    (*finder)(img2,features[1]);
    finder->collectGarbage();

 

直接创建OrbFeaturesFinder的智能指针对象，调用指针函数，寻找到特征到

 

ImageFeatures的数据结构中去。

 

这里，如果进行代码跟踪，就会发现对于同一幅图方法二找到ORB特征和方法一找到的是不一样的。

方法二在这里，将特征点的寻找，和特征向量的提取计算全部集成封装，需要注意。

struct CV_EXPORTS ImageFeatures
{
    int img_idx;
    Size img_size;
    std::vector<KeyPoint> keypoints;
    UMat descriptors;
};

可以看到，ImageFeatures结构中不经包括了keypoints的vector,而且包括了UMat的descriptors，一步到位

3、特征匹配和提存

 vector<MatchesInfo> pairwise_matches;
    Ptr<FeaturesMatcher> matcher =  makePtr<BestOf2NearestMatcher>(false, 0.3f);
    (*matcher)(features, pairwise_matches);
    matcher->collectGarbage();

 

这里的封装应该说更多。在方法一种，在这里经过了BruteForce特征匹配，排序，Ransac

 

提纯3个步骤，那么在Stitching模块中，只是用了一个方法。如果根据函数中去，可以发

 

现其实实现步骤和方法一类似，但是也有自己不同地方

 

4、仿射变换、绘制结果

 

 //绘制仿射变换情况
    std::vector<Point2f> obj_corners(4);
    std::vector<Point2f> scene_corners(4);
    obj_corners[0] = Point(0,0); 
    obj_corners[1] = Point( img1.cols, 0 );
    obj_corners[2] = Point( img1.cols, img1.rows ); 
    obj_corners[3] = Point( 0, img1.rows );
    //获得适合的H
    Mat H;
    for ( int i=0;i<pairwise_matches.size();i++)
    {
        if (pairwise_matches[i].src_img_idx == 0 && pairwise_matches[i].dst_img_idx == 1)
        {
            H = pairwise_matches[i].H;
        }
    }
    perspectiveTransform( obj_corners, scene_corners, H);
    //-- Draw lines between the corners (the mapped object in the scene - image_2 )
    Point2f offset( (float)img1.cols,0);
    line( result, scene_corners[0] +offset  , scene_corners[1]  +offset , Scalar(0, 255, 0), 4 );
    line( result, scene_corners[1]  +offset , scene_corners[2]  +offset , Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[2] +offset  , scene_corners[3]  +offset , Scalar( 0, 255, 0), 4 );
    line( result, scene_corners[3]   +offset , scene_corners[0]  +offset , Scalar( 0, 255, 0), 4 );
    imshow("result",  result);
    imwrite("result.jpg",result);

 

这里和方法一类似，需要注意的地方就是由于H等数据结构都已经集成

 

在pairwise_matches的数据结构中，所以通过一个循环找到自己需要的H。

 

小结：这里初步对Stitching模块中对特征提取的封装解析进行了分析，为下一步图像拼接的深入研究做技术准备。值得注意的是目前看上去，Stitching模块中对特征提取的封

 

装实现的结果不如原生的方法好，这里是由于我操作的原因，还是因为本身设计的原因还要继续研究。