特征描述

目录

• 目标
• 理论
• 代码
• 解释
• 结果

上一篇教程： 特征检测
下一篇教程： 使用 FLANN 进行特征匹配

原作者	Ana Huamán
兼容性	OpenCV >= 3.0

目标

本教程将教你如何：

• 使用 cv::DescriptorExtractor 接口查找与关键点对应的特征向量。具体来说：
  • 使用 cv::xfeatures2d::SURF 及其函数 cv::xfeatures2d::SURF::compute 执行必要的计算。
  • 使用 cv::DescriptorMatcher 来匹配特征向量。
  • 使用函数 cv::drawMatches 绘制检测到的匹配项。

警告

要使用 SURF 特征，您需要 OpenCV contrib 模块（替代方案是 ORB、KAZE 等特征）。

理论

代码

C++

本教程代码如下所示。您也可以从 这里 下载。

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"
 
using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;
 
const char* keys =
    "{ help h | | 打印帮助信息。 }"
    "{ input1 | box.png | 输入图像 1 的路径。 }"
    "{ input2 | box_in_scene.png | 输入图像 2 的路径。 }";
 
int main( int argc, char* argv[] )
{
    CommandLineParser parser( argc, argv, keys );
    Mat img1 = imread( samples::findFile( parser.get<String>("input1") ), IMREAD_GRAYSCALE );
    Mat img2 = imread( samples::findFile( parser.get<String>("input2") ), IMREAD_GRAYSCALE );
    if ( img1.empty() || img2.empty() )
    {
cout << "无法打开或找到图像！\n" << endl;
parser.printMessage();
        return -1;
    }
 
    //-- 步骤 1：使用 SURF 检测器检测关键点，计算描述符
    int minHessian = 400;
    Ptr<SURF> detector = SURF::create( minHessian );
std::vector<KeyPoint> keypoints1, keypoints2;
    Mat descriptors1, descriptors2;
detector->detectAndCompute( img1, noArray(), keypoints1, descriptors1 );
detector->detectAndCompute( img2, noArray(), keypoints2, descriptors2 );
 
    //-- 步骤 2：使用蛮力匹配器匹配描述符向量
    // 由于 SURF 是浮点描述符，因此使用 NORM_L2
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::BRUTEFORCE);
std::vector< DMatch > matches;
matcher->match( descriptors1, descriptors2, matches );
 
    //-- 绘制匹配项
    Mat img_matches;
drawMatches( img1, keypoints1, img2, keypoints2, matches, img_matches );
 
    //-- 显示检测到的匹配项
imshow("Matches", img_matches );
 
waitKey();
    return 0;
}
#else
int main()
{
std::cout << "此教程代码需要运行 xfeatures2d contrib 模块。" << std::endl;
    return 0;
}
#endif

Java

本教程代码如下所示。您也可以从 这里 下载。

import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.core.MatOfDMatch;
import org.opencv.core.MatOfKeyPoint;
import org.opencv.features2d.DescriptorMatcher;
import org.opencv.features2d.Features2d;
import org.opencv.highgui.HighGui;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.xfeatures2d.SURF;
 
class SURFMatching {
    public void run(String[] args) {
String filename1 = args.length > 1 ? args[0] : "../data/box.png";
String filename2 = args.length > 1 ? args[1] : "../data/box_in_scene.png";
Mat img1 = Imgcodecs.imread(filename1, Imgcodecs.IMREAD_GRAYSCALE);
Mat img2 = Imgcodecs.imread(filename2, Imgcodecs.IMREAD_GRAYSCALE);
        if (img1.empty() || img2.empty()) {
System.err.println("无法读取图像！");
System.exit(0);
        }
 
        //-- 步骤 1：使用 SURF 检测器检测关键点，计算描述符
        double hessianThreshold = 400;
        int nOctaves = 4, nOctaveLayers = 3;
        boolean extended = false, upright = false;
SURF detector = SURF.create(hessianThreshold, nOctaves, nOctaveLayers, extended, upright);
MatOfKeyPoint keypoints1 = new MatOfKeyPoint(), keypoints2 = new MatOfKeyPoint();
Mat descriptors1 = new Mat(), descriptors2 = new Mat();
detector.detectAndCompute(img1, new Mat(), keypoints1, descriptors1);
detector.detectAndCompute(img2, new Mat(), keypoints2, descriptors2);
 
        //-- 步骤 2：使用蛮力匹配器匹配描述符向量
        // 由于 SURF 是浮点描述符，因此使用 NORM_L2
DescriptorMatcher matcher = DescriptorMatcher.create(DescriptorMatcher.BRUTEFORCE);
MatOfDMatch matches = new MatOfDMatch();
matcher.match(descriptors1, descriptors2, matches);
 
        //-- 绘制匹配项
Mat imgMatches = new Mat();
Features2d.drawMatches(img1, keypoints1, img2, keypoints2, matches, imgMatches);
 
HighGui.imshow("Matches", imgMatches);
HighGui.waitKey(0);
 
System.exit(0);
    }
}
 
public class SURFMatchingDemo {
    public static void main(String[] args) {
        // 加载原生 OpenCV 库
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
 
        new SURFMatching().run(args);
    }
}

Python

本教程代码如下所示。您也可以从这里下载。

from __future__ import print_function
import cv2 as cv
import numpy as np
import argparse
 
parser = argparse.ArgumentParser(description='特征检测教程代码。')
parser.add_argument('--input1', help='输入图像1的路径。', default='box.png')
parser.add_argument('--input2', help='输入图像2的路径。', default='box_in_scene.png')
args = parser.parse_args()
 
img1 = cv.imread(cv.samples.findFile(args.input1), cv.IMREAD_GRAYSCALE)
img2 = cv.imread(cv.samples.findFile(args.input2), cv.IMREAD_GRAYSCALE)
if img1 is None or img2 is None
print('无法打开或找到图像！')
exit(0)
 
#-- 步骤1：使用SURF检测器检测关键点，计算描述符
minHessian = 400
detector = cv.xfeatures2d_SURF.create(hessianThreshold=minHessian)
keypoints1, descriptors1 = detector.detectAndCompute(img1, None)
keypoints2, descriptors2 = detector.detectAndCompute(img2, None)
 
#-- 步骤2：使用蛮力匹配器匹配描述符向量
# 由于SURF是浮点描述符，因此使用NORM_L2
matcher = cv.DescriptorMatcher_create(cv.DescriptorMatcher_BRUTEFORCE)
matches = matcher.match(descriptors1, descriptors2)
 
#-- 绘制匹配
img_matches = np.empty((max(img1.shape[0], img2.shape[0]), img1.shape[1]+img2.shape[1], 3), dtype=np.uint8)
cv.drawMatches(img1, keypoints1, img2, keypoints2, matches, img_matches)
 
#-- 显示检测到的匹配
cv.imshow('Matches', img_matches)
 
cv.waitKey()()

解释

结果

以下是将蛮力匹配器应用于两幅原始图像后的结果