OpenCV——SURF特征检测、匹配与对象查找

SURF原理详解：https://wenku.baidu.com/view/2f1e4d8ef705cc1754270945.html

SURF算法工作原理

选择图像中的POI(Points of interest) Hessian Matrix
在不同的尺度空间发现关键点，非最大信号压制
发现特征点方法、旋转不变性要求
生成特征向量

SURF构造函数介绍

C++: SURF::SURF(

double hessianThreshold, --阈值检测器使用Hessian的关键点，默认值在

300-500之间

int nOctaves=4, -- 4表示在四个尺度空间

int nOctaveLayers=2, -- 表示每个尺度的层数

bool extended=false,

bool upright=false --表示计算旋转不变性，不计算的速度更快

)

特征点绘制

特征点绘制是为了把检测出来的Surf特征点在原图上绘制出来，这一步是为了把特征点直观的显示出来给我们看，跟整个Surf算子的特征提取和匹配流程没关系。

绘制使用drawKeypoints方法：

void drawKeypoints( const Mat& image,
　　　　　　　　　　　　const vector<KeyPoint>& keypoints,
　　　　　　　　　　　　CV_OUT Mat& outImage,
　　　　　　　　　　　　const Scalar& color=Scalar::all(-1),
　　　　　　　　　　　　int flags=DrawMatchesFlags::DEFAULT
);

第一个参数image：原始图像，可以使三通道或单通道图像；

第二个参数keypoints：特征点向量，向量内每一个元素是一个KeyPoint对象，包含了特征点的各种属性信息；

第三个参数outImage：特征点绘制的画布图像，可以是原图像；

第四个参数color：绘制的特征点的颜色信息，默认绘制的是随机彩色；

第五个参数flags：特征点的绘制模式，其实就是设置特征点的那些信息需要绘制，那些不需要绘制，有以下几种模式可选：

　　DEFAULT：只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。
　　DRAW_OVER_OUTIMG：函数不创建输出的图像,而是直接在输出图像变量空间绘制,要求本身输出图像变量就是一个初始化好了的,size与type都是已经初始化好的变量
　　NOT_DRAW_SINGLE_POINTS：单点的特征点不被绘制
　　DRAW_RICH_KEYPOINTS：绘制特征点的时候绘制的是一个个带有方向的圆,这种方法同时显示图像的坐标,size，和方向,是最能显示特征信息的一种绘制方式。

 1 #include <opencv2/opencv.hpp>
 2 #include <opencv2/xfeatures2d.hpp>
 3 #include <iostream>
 4 
 5 using namespace cv;
 6 using namespace cv::xfeatures2d;
 7 using namespace std;
 8 
 9 int main(int argc, char** argv) {
10     Mat src = imread("test.jpg", IMREAD_GRAYSCALE);
11     if (src.empty()) {
12         printf("could not load image...
");
13         return -1;
14     }
15     namedWindow("input image", CV_WINDOW_AUTOSIZE);
16     imshow("input image", src);
17 
18     // SURF特征点检测
19     int minHessian = 100;
20     Ptr<SURF> detector = SURF::create(minHessian);//创建一个surf类对象并初始化
21     vector<KeyPoint> keypoints;
22     detector->detect(src, keypoints, Mat());//找出关键点
23 
24     // 绘制关键点
25     Mat keypoint_img;
26     drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
27     imshow("KeyPoints Image", keypoint_img);
28 
29     waitKey(0);
30     return 0;
31 }

绘制匹配点

drawMatches( const Mat& img1, const vector<KeyPoint>& keypoints1,
                             const Mat& img2, const vector<KeyPoint>& keypoints2,
                             const vector<DMatch>& matches1to2, Mat& outImg,
                             const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1),
                             const vector<char>& matchesMask=vector<char>(), int flags=DrawMatchesFlags::DEFAULT );

其中参数如下：

* img1 – 源图像1

* keypoints1 –源图像1的特征点.

* img2 – 源图像2.

* keypoints2 – 源图像2的特征点

* matches1to2 – 源图像1的特征点匹配源图像2的特征点[matches[i]] .

* outImg – 输出图像具体由flags决定.

* matchColor – 匹配的颜色（特征点和连线),若matchColor==Scalar::all(-1)，颜色随机.

* singlePointColor – 单个点的颜色，即未配对的特征点，若matchColor==Scalar::all(-1)，颜色随机.

*matchesMask – Mask决定哪些点将被画出，若为空，则画出所有匹配点.

*flags—它跟drawKeypoints方法中flags的含义是一样的。

当仅使用筛选出的最优匹配点进行匹配的时候，意味着会有很多非最优的特征点不会被匹配，这时候可以设置flags=DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS

BF(暴力)匹配(src目标图，temp需要查找的背景图)

 1 #include <opencv2/opencv.hpp>
 2 #include <opencv2/xfeatures2d.hpp>
 3 #include <iostream>
 4 
 5 using namespace cv;
 6 using namespace cv::xfeatures2d;
 7 using namespace std;
 8 
 9 int main(int argc, char** argv) {
10     Mat src = imread("数字.jpg");
11     Mat temp = imread("2.png");
12     if (src.empty() || temp.empty()) {
13         printf("could not load image...
");
14         return -1;
15     }
16     namedWindow("input image", CV_WINDOW_AUTOSIZE);
17     imshow("input image", src);
18 
19     // SURF特征点检测
20     int minHessian = 400;
21     Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
22     vector<KeyPoint> keypoints1, keypoints2;
23     Mat src_vector, temp_vector;//用来存放特征点的描述向量
24 
25     //detector->detect(src, keypoints1, Mat());//找出关键点
26     //detector->detect(temp, keypoints2, Mat());//找出关键点
27 
28     //找到特征点并计算特征描述子(向量)
29     detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
30     detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
31 
32 
33     //匹配
34     BFMatcher matcher(NORM_L2);         //实例化一个暴力匹配器(括号里可以选择匹配方法)
35     
36     vector<DMatch> matches;    //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
37                                //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
38                                //特征向量的距离和其他信息，这个距离在后面用来做筛选    
39 
40     matcher.match(src_vector, temp_vector, matches);             //匹配，数据来源是特征向量，结果存放在DMatch类型里面  
41 
42     //匹配点筛选
43     //sort函数对数据进行升序排列
44     //筛选匹配点，根据match里面特征对的距离从小到大排序    
45     //筛选出最优的30个匹配点（可以不使用，会画出所有特征点）
46 
47     sort(matches.begin(), matches.end());    
48     vector< DMatch > good_matches;
49     int ptsPairs = std::min(30, (int)(matches.size() * 0.15));//匹配点数量不大于50
50     cout << ptsPairs << endl;
51     for (int i = 0; i < ptsPairs; i++)
52     {
53         good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
54     }
55     
56 
57     Mat MatchesImage;                                //drawMatches这个函数直接画出摆在一起的图
58     drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  //绘制匹配点  
59     imshow("BFMatcher Image", MatchesImage);
60 
61     waitKey(0);
62     return 0;
63 }

FLANN匹配

 1 #include <opencv2/opencv.hpp>
 2 #include <opencv2/xfeatures2d.hpp>
 3 #include <iostream>
 4 #include <math.h>
 5 
 6 using namespace cv;
 7 using namespace cv::xfeatures2d;
 8 using namespace std;
 9 
10 int main(int argc, char** argv) {
11     Mat src = imread("数字.jpg",0);
12     Mat temp = imread("2.png",0);
13     if (src.empty() || temp.empty()) {
14         printf("could not load image...
");
15         return -1;
16     }
17     namedWindow("input image", CV_WINDOW_AUTOSIZE);
18     imshow("input image", src);
19 
20     // SURF特征点检测
21     int minHessian = 400;
22     Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
23     vector<KeyPoint> keypoints1, keypoints2;
24     Mat src_vector, temp_vector;//用来存放特征点的描述向量
25 
26     //detector->detect(src, keypoints1, Mat());//找出关键点
27     //detector->detect(temp, keypoints2, Mat());//找出关键点
28 
29     //找到特征点并计算特征描述子(向量)
30     detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
31     detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
32 
33 
34     //匹配
35     FlannBasedMatcher matcher;         //实例化一个FLANN匹配器(括号里可以选择匹配方法)
36 
37     vector<DMatch> matches;    //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
38                                //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
39                                //特征向量的距离和其他信息，这个距离在后面用来做筛选    
40 
41     matcher.match(src_vector, temp_vector, matches);             //匹配，数据来源是特征向量，结果存放在DMatch类型里面  
42 
43     //求最小最大距离
44     double minDistance = 1000;//反向逼近
45     double maxDistance = 0;
46     for (int i=0; i< src_vector.rows; i++) {
47         double distance = matches[i].distance;
48         if (distance > maxDistance)        {
49             maxDistance = distance;
50         }
51         if (distance < minDistance)        { 
52             minDistance = distance;
53         }
54     }
55     printf("max distance : %f
", maxDistance);
56     printf("min distance : %f
", minDistance);
57 
58     //筛选较好的匹配点
59     vector< DMatch > good_matches;
60     for (int i = 0; i < src_vector.rows; i++) {
61         double distance = matches[i].distance;
62         if (distance < max(minDistance * 2, 0.02)) {
63             good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
64         }
65     }
66 
67     /*//sort函数对数据进行升序排列
68     //筛选匹配点，根据match里面特征对的距离从小到大排序
69     //筛选出最优的50个匹配点（可以不使用，会画出所有特征点）
70 
71     sort(matches.begin(), matches.end());
72     vector< DMatch > good_matches;
73     int ptsPairs = std::min(50, (int)(matches.size() * 0.15));//匹配点数量不大于50
74     cout << ptsPairs << endl;
75     for (int i = 0; i < ptsPairs; i++)
76     {
77         good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
78     }
79     */
80 
81     Mat MatchesImage;                                //drawMatches这个函数直接画出摆在一起的图
82     drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  //绘制匹配点  
83     imshow("FLANN Image", MatchesImage);
84 
85     waitKey(0);
86     return 0;
87 }

对象查找

  1 #include <opencv2/opencv.hpp>
  2 #include <opencv2/xfeatures2d.hpp>
  3 #include <iostream>
  4 #include <math.h>
  5 
  6 using namespace cv;
  7 using namespace cv::xfeatures2d;
  8 using namespace std;
  9 
 10 int main(int argc, char** argv) {
 11     Mat src = imread("fire_5.jpg");
 12     Mat temp = imread("数字.jpg");
 13     if (src.empty() || temp.empty()) {
 14         printf("could not load image...
");
 15         return -1;
 16     }
 17     namedWindow("input image", CV_WINDOW_AUTOSIZE);
 18     imshow("input image", src);
 19 
 20     // SURF特征点检测
 21     int minHessian = 400;
 22     Ptr<SURF> detector = SURF::create(minHessian, 4, 3, true, true);//创建一个surf类检测器对象并初始化
 23     vector<KeyPoint> keypoints1, keypoints2;
 24     Mat src_vector, temp_vector;//用来存放特征点的描述向量
 25 
 26     //detector->detect(src, keypoints1, Mat());//找出关键点
 27     //detector->detect(temp, keypoints2, Mat());//找出关键点
 28 
 29     //找到特征点并计算特征描述子(向量)
 30     detector->detectAndCompute(src, Mat(), keypoints1, src_vector);//输入图像，输入掩码，输入特征点，输出Mat，存放所有特征点的描述向量
 31     detector->detectAndCompute(temp, Mat(), keypoints2, temp_vector);//这个Mat行数为特征点的个数，列数为每个特征向量的尺寸，SURF是64（维）
 32 
 33 
 34     //匹配
 35     FlannBasedMatcher matcher;         //实例化一个FLANN匹配器(括号里可以选择匹配方法)
 36 
 37     vector<DMatch> matches;    //DMatch是用来描述匹配好的一对特征点的类，包含这两个点之间的匹配信息
 38                                //比如左图有个特征m，它和右图的特征点n最匹配，这个DMatch就记录它俩最匹配，并且还记录m和n的
 39                                //特征向量的距离和其他信息，这个距离在后面用来做筛选    
 40 
 41     matcher.match(src_vector, temp_vector, matches);             //匹配，数据来源是特征向量，结果存放在DMatch类型里面  
 42 
 43     //求最小最大距离
 44     double minDistance = 1000;//反向逼近
 45     double maxDistance = 0;
 46     for (int i = 0; i < src_vector.rows; i++) {
 47         double distance = matches[i].distance;
 48         if (distance > maxDistance) {
 49             maxDistance = distance;
 50         }
 51         if (distance < minDistance) {
 52             minDistance = distance;
 53         }
 54     }
 55     printf("max distance : %f
", maxDistance);
 56     printf("min distance : %f
", minDistance);
 57 
 58     //筛选较好的匹配点
 59     vector< DMatch > good_matches;
 60     for (int i = 0; i < src_vector.rows; i++) {
 61         double distance = matches[i].distance;
 62         if (distance < max(minDistance * 3, 0.02)) {
 63             good_matches.push_back(matches[i]);//距离小于范围的压入新的DMatch
 64         }
 65     }
 66 
 67 
 68     Mat MatchesImage;                                //drawMatches这个函数直接画出摆在一起的图
 69     drawMatches(src, keypoints1, temp, keypoints2, good_matches, MatchesImage, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);  //绘制匹配点  
 70     
 71 
 72     vector<Point2f> obj;
 73     vector<Point2f> objInScene;
 74     for (size_t t = 0; t < good_matches.size(); t++) {
 75         obj.push_back(keypoints1[good_matches[t].queryIdx].pt);//返回对象在模板图特征点坐标
 76         objInScene.push_back(keypoints2[good_matches[t].trainIdx].pt);//返回对象在背景查找图的坐标
 77     }
 78 
 79     Mat H = findHomography(obj,objInScene,RANSAC);//计算透视变换矩阵
 80 
 81     vector<Point2f> obj_corner(4);
 82     vector<Point2f> scene_corner(4);
 83     obj_corner[0] = Point(0, 0);
 84     obj_corner[1] = Point(src.cols, 0);
 85     obj_corner[2] = Point(src.cols,src.rows);
 86     obj_corner[3] = Point(0, src.rows);
 87 
 88     perspectiveTransform(obj_corner, scene_corner,H);//透视变换
 89 
 90     //画出边框线
 91     line(MatchesImage, scene_corner[0] + Point2f(src.cols, 0), scene_corner[1] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
 92     line(MatchesImage, scene_corner[1] + Point2f(src.cols, 0), scene_corner[2] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
 93     line(MatchesImage, scene_corner[2] + Point2f(src.cols, 0), scene_corner[3] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
 94     line(MatchesImage, scene_corner[3] + Point2f(src.cols, 0), scene_corner[0] + Point2f(src.cols, 0), Scalar(0, 0, 255), 2, 8, 0);
 95     imshow("FLANN Image", MatchesImage);
 96 
 97     line(temp, scene_corner[0], scene_corner[1], Scalar(0, 0, 255), 2, 8, 0);
 98     line(temp, scene_corner[1], scene_corner[2], Scalar(0, 0, 255), 2, 8, 0);
 99     line(temp, scene_corner[2], scene_corner[3], Scalar(0, 0, 255), 2, 8, 0);
100     line(temp, scene_corner[3], scene_corner[0], Scalar(0, 0, 255), 2, 8, 0);
101     imshow("temp Image", temp);
102 
103     waitKey(0);
104     return 0;
105 }

相关阅读:
POJ 2778（自动机+矩阵幂乘（字符串果然是个坑爹玩应！））
CF357D（规律题，不好想出来！）
HDU 4107（线段树特殊懒惰标记）g++ TLE，c++才过（呜呜呜呜）
hdu 3954(线段树的特殊lazy操作-更新时才遍历！)
CF354C（思路+（左区间++，1+右区间--思想））
hdu3851（dp+区间范围很大且有循环的处理方法）
CF119D（字符串-哈希求解（KMP求了半天，结果哈希更简单！））
CF 353D
HDU 4760 字典树（题意比较难理解）
hdu3649（取石子博弈+dp）
原文地址：https://www.cnblogs.com/long5683/p/9692987.html