提供所有用于查询用户提供或类内部数据集（用户必须填充）的功能，基于描述符匹配器模型。更多...

#include <opencv2/line_descriptor/descriptor.hpp>

cv::line_descriptor::BinaryDescriptorMatcher 的协作图

公共成员函数
	BinaryDescriptorMatcher ()
	构造函数。

	~BinaryDescriptorMatcher ()

void	add (const std::vector< Mat > &descriptors)
	在本地存储要插入数据集的新描述符，而不更新数据集。

void	clear () CV_OVERRIDE
	清除数据集和内部数据。

void	knnMatch (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< std::vector< DMatch > > &matches, int k, const Mat &mask=Mat(), bool compactResult=false) const
	对于每个输入查询描述符，从用户提供的数据集或类内部数据集中检索最佳的 k 个匹配项。

void	knnMatch (const Mat &queryDescriptors, std::vector< std::vector< DMatch > > &matches, int k, const std::vector< Mat > &masks=std::vector< Mat >(), bool compactResult=false)

void	match (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< DMatch > &matches, const Mat &mask=Mat()) const
	对于每个输入查询描述符，从用户提供的数据集或类内部数据集中检索最佳匹配项。

void	match (const Mat &queryDescriptors, std::vector< DMatch > &matches, const std::vector< Mat > &masks=std::vector< Mat >())

void	radiusMatch (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< std::vector< DMatch > > &matches, float maxDistance, const Mat &mask=Mat(), bool compactResult=false) const
	对于每个输入查询描述符，从用户提供的数据集或类内部数据集中，检索所有距离输入查询不超过 maxDist 的描述符。

void	radiusMatch (const Mat &queryDescriptors, std::vector< std::vector< DMatch > > &matches, float maxDistance, const std::vector< Mat > &masks=std::vector< Mat >(), bool compactResult=false)

void	train ()
	通过将所有由 add 函数本地存储的描述符插入数据集来更新数据集。

继承自 cv::Algorithm 的公共成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual bool	empty () const
	如果算法为空（例如，在最开始或读取不成功之后），则返回 true。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。

void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< BinaryDescriptorMatcher >	createBinaryDescriptorMatcher ()
	创建一个 BinaryDescriptorMatcher 对象并返回一个智能指针。

继承自 cv::Algorithm 的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

额外继承的成员
继承自 cv::Algorithm 的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

提供所有用于查询用户提供或类内部数据集（用户必须填充）的功能，基于描述符匹配器模型。

一旦从图像中提取了描述符（无论是表示线还是点），将一个描述符与从不同图像中提取的、表示相同线或点（从不同视角或不同尺度观察）的另一个描述符进行匹配就变得很有趣。为了实现这一目标，主要难题在于设计一种高效的搜索算法，以将查询描述符与从数据集中提取的描述符关联起来。下面将介绍一种基于 多索引哈希 (Multi-Index Hashing, MiHashing) 的匹配方式。

多索引哈希

本节中描述的理论基于[212]。给定一个填充了二进制码的数据集，每个码根据其被分成的 m 个子字符串，被索引到 m 个不同的哈希表中 m 次。因此，给定一个查询码，搜索将返回所有至少在一个子字符串中与其接近的条目作为 邻居候选者。然后通过验证它们的完整代码与查询码的距离（在汉明空间中）不超过 r 位来检查返回条目的有效性。详细来说，每个由 b 位组成的二进制码 h 被分成 m 个不相交的子字符串 \(\mathbf{h}^{(1)}, ..., \mathbf{h}^{(m)}\)，每个子字符串的长度为 \(\lfloor b/m \rfloor\) 或 \(\lceil b/m \rceil\) 位。形式上，当两个码 h 和 g 最多相差 r 位时，在它们至少一个 m 子字符串中，它们最多相差 \(\lfloor r/m \rfloor\) 位。特别地，当 \(||\mathbf{h}-\mathbf{g}||_H \le r\)（其中 \(||.||_H\) 是汉明范数）时，必然存在一个子字符串 k（其中 \(1 \le k \le m\)），使得

\[||\mathbf{h}^{(k)} - \mathbf{g}^{(k)}||_H \le \left\lfloor \frac{r}{m} \right\rfloor .\]

这意味着如果每个 m 子字符串之间的汉明距离严格大于 \(\lfloor r/m \rfloor\)，则 \(||\mathbf{h}-\mathbf{g}||_H\) 必须大于 r，这是一个矛盾。如果数据集中的代码被分成 m 个子字符串，那么将构建 m 个表。给定一个查询 q，其子字符串为 \(\{\mathbf{q}^{(i)}\}^m_{i=1}\)，则搜索第 i 个哈希表以查找距离 \(\mathbf{q}^{(i)}\) 最多 \(\lfloor r/m \rfloor\) 的条目，并获得一组候选者 \(\mathcal{N}_i(\mathbf{q})\)。集合 \(\mathcal{N}(\mathbf{q}) = \bigcup_i \mathcal{N}_i(\mathbf{q})\) 的并集是 q 的 r-邻居的超集。然后，算法的最后一步是计算 q 与 \(\mathcal{N}(\mathbf{q})\) 中每个元素之间的汉明距离，删除与 q 距离大于 r 的代码。

构造函数 & 析构函数文档

◆ BinaryDescriptorMatcher()

cv::line_descriptor::BinaryDescriptorMatcher::BinaryDescriptorMatcher ( )

Python
	cv.line_descriptor.BinaryDescriptorMatcher(		) ->	<line_descriptor_BinaryDescriptorMatcher object>

构造函数。

构建的 BinaryDescriptorMatcher 能够存储和管理 256 位长的条目。

◆ ~BinaryDescriptorMatcher()

cv::line_descriptor::BinaryDescriptorMatcher::~BinaryDescriptorMatcher ( )

inline

析构函数

成员函数文档

◆ add()

void cv::line_descriptor::BinaryDescriptorMatcher::add ( const std::vector< Mat > & descriptors )

在本地存储要插入数据集的新描述符，而不更新数据集。

参数

descriptors 包含要插入数据集的描述符的矩阵

注意: descriptors 中的每个矩阵 i 应包含与从第 i 张图像中提取的线相关的描述符。

◆ clear()

void cv::line_descriptor::BinaryDescriptorMatcher::clear ( )

virtual

清除数据集和内部数据。

重新实现自 cv::Algorithm。

◆ createBinaryDescriptorMatcher()

static Ptr< BinaryDescriptorMatcher > cv::line_descriptor::BinaryDescriptorMatcher::createBinaryDescriptorMatcher ( )

static

创建一个 BinaryDescriptorMatcher 对象并返回一个智能指针。

◆ knnMatch() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::knnMatch	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		int	k,
		const Mat &	mask = Mat(),
		bool	compactResult = false ) const

Python
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatch(	queryDescriptors, trainDescriptors, k[, mask[, compactResult]]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatchQuery(	queryDescriptors, matches, k[, masks[, compactResult]]	) ->	无

对于每个输入查询描述符，从用户提供的数据集或类内部数据集中检索最佳的 k 个匹配项。

参数

queryDescriptors	查询描述符
trainDescriptors	用户提供的描述符数据集
matches	用于存储检索到的匹配项的向量
k	为每个输入查询返回的最接近描述符的数量
mask	用于选择哪些输入描述符必须与数据集中的描述符匹配的掩码
compactResult	获取紧凑结果的标志（如果为 true，则对于给定查询不包含任何匹配项的向量不会插入最终结果中）

◆ knnMatch() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::knnMatch	(	const Mat &	queryDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		int	k,
		const std::vector< Mat > &	masks = std::vector< Mat >(),
		bool	compactResult = false )

Python
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatch(	queryDescriptors, trainDescriptors, k[, mask[, compactResult]]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatchQuery(	queryDescriptors, matches, k[, masks[, compactResult]]	) ->	无

这是一个重载成员函数，为方便起见而提供。它与上述函数的区别仅在于它接受的参数。

参数

queryDescriptors	查询描述符
matches	用于存储检索到的匹配项的向量
k	为每个输入查询返回的最接近描述符的数量
遮罩	掩码向量，用于选择哪些输入描述符必须与数据集中的描述符匹配（向量中的第 i 个掩码表示每个输入查询是否可以与数据集中与第 i 张图像相关的描述符匹配）
compactResult	获取紧凑结果的标志（如果为 true，则对于给定查询不包含任何匹配项的向量不会插入最终结果中）

◆ match() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::match	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< DMatch > &	matches,
		const Mat &	mask = Mat() ) const

Python
	cv.line_descriptor.BinaryDescriptorMatcher.match(	queryDescriptors, trainDescriptors[, mask]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.matchQuery(	queryDescriptors[, masks]	) ->	matches

对于每个输入查询描述符，从用户提供的数据集或类内部数据集中检索最佳匹配项。

参数

queryDescriptors	查询描述符
trainDescriptors	用户提供的描述符数据集
matches	用于存储检索到的匹配项的向量
mask	用于选择哪些输入描述符必须与数据集中的描述符匹配的掩码

◆ match() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::match	(	const Mat &	queryDescriptors,
		std::vector< DMatch > &	matches,
		const std::vector< Mat > &	masks = std::vector< Mat >() )

Python
	cv.line_descriptor.BinaryDescriptorMatcher.match(	queryDescriptors, trainDescriptors[, mask]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.matchQuery(	queryDescriptors[, masks]	) ->	matches

这是一个重载成员函数，为方便起见而提供。它与上述函数的区别仅在于它接受的参数。

参数

queryDescriptors	查询描述符
matches	用于存储检索到的匹配项的向量
遮罩	掩码向量，用于选择哪些输入描述符必须与数据集中的描述符匹配（向量中的第 i 个掩码表示每个输入查询是否可以与数据集中与第 i 张图像相关的描述符匹配）

◆ radiusMatch() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::radiusMatch	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		float	maxDistance,
		const Mat &	mask = Mat(),
		bool	compactResult = false ) const

对于每个输入查询描述符，从用户提供的数据集或类内部数据集中，检索所有距离输入查询不超过 maxDist 的描述符。

参数

queryDescriptors	查询描述符
trainDescriptors	用户提供的描述符数据集
matches	用于存储检索到的匹配项的向量
maxDistance	搜索半径
mask	用于选择哪些输入描述符必须与数据集中的描述符匹配的掩码
compactResult	获取紧凑结果的标志（如果为 true，则对于给定查询不包含任何匹配项的向量不会插入最终结果中）

◆ radiusMatch() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::radiusMatch	(	const Mat &	queryDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		float	maxDistance,
		const std::vector< Mat > &	masks = std::vector< Mat >(),
		bool	compactResult = false )

这是一个重载成员函数，为方便起见而提供。它与上述函数的区别仅在于它接受的参数。

参数

queryDescriptors	查询描述符
matches	用于存储检索到的匹配项的向量
maxDistance	搜索半径
遮罩	掩码向量，用于选择哪些输入描述符必须与数据集中的描述符匹配（向量中的第 i 个掩码表示每个输入查询是否可以与数据集中与第 i 张图像相关的描述符匹配）
compactResult	获取紧凑结果的标志（如果为 true，则对于给定查询不包含任何匹配项的向量不会插入最终结果中）

◆ train()

void cv::line_descriptor::BinaryDescriptorMatcher::train ( )

通过将所有由 add 函数本地存储的描述符插入数据集来更新数据集。

注意: 每次调用此函数时，当前数据集都会被删除，并且本地存储的描述符将被插入到数据集中。然后，本地存储的刚刚插入的描述符副本将被移除。

此类的文档是从以下文件生成的

opencv2/line_descriptor/descriptor.hpp

公共成员函数

静态公共成员函数

额外继承的成员

详细描述

多索引哈希

构造函数 & 析构函数文档

◆ BinaryDescriptorMatcher()

◆ ~BinaryDescriptorMatcher()

成员函数文档

◆ add()

◆ clear()

◆ createBinaryDescriptorMatcher()

◆ knnMatch() [1/2]

◆ knnMatch() [2/2]

◆ match() [1/2]

◆ match() [2/2]

◆ radiusMatch() [1/2]

◆ radiusMatch() [2/2]

◆ train()