CQU CV Project2 特征点匹配 基于opencv
|
15
|
0
|
计算机视觉
|
|
mozhongzhou

476 字
|
8 分钟

opencv/samples/cpp/generic_descriptor_match.cpp at 2.4 · opencv/opencv

samples\cpp\generic_descriptor_match.cpp 多种描述符匹配算法,提取图像特征点

#include "opencv2/opencv_modules.hpp"
#include <cstdio>
 
// 检查是否包含OpenCV的非自由模块，如果没有则输出错误信息
#ifndef HAVE_OPENCV_NONFREE
 
int main(int, char​**​)
{
    printf("The sample requires nonfree module that is not available in your OpenCV distribution.\n");
    return -1;
}
 
#else
 
// 包含必要的OpenCV头文件
# include "opencv2/opencv_modules.hpp"
# include "opencv2/calib3d/calib3d.hpp"
# include "opencv2/features2d/features2d.hpp"
# include "opencv2/highgui/highgui.hpp"
# include "opencv2/imgproc/imgproc.hpp"
# include "opencv2/nonfree/nonfree.hpp"
 
using namespace cv;
 
// 帮助函数，显示程序用法
static void help()
{
    printf("使用SURF描述子匹配两幅图像的关键点\n");
    printf("格式: \n./generic_descriptor_match <image1> <image2> <algorithm> <XML参数文件>\n");
    printf("例如: ./generic_descriptor_match ../c/scene_l.bmp ../c/scene_r.bmp FERN fern_params.xml\n");
}
 
// 函数声明：绘制关键点匹配结果
Mat DrawCorrespondences(const Mat& img1, const vector<KeyPoint>& features1, const Mat& img2,
                        const vector<KeyPoint>& features2, const vector<DMatch>& desc_idx);
 
int main(int argc, char​**​ argv)
{
    // 检查参数数量，不正确则显示帮助信息
    if (argc != 5)
    {
        help();
        return 0;
    }
 
    // 从命令行参数获取输入信息
    std::string img1_name = std::string(argv[1]);
    std::string img2_name = std::string(argv[2]);
    std::string alg_name = std::string(argv[3]);      // 匹配算法名称，如FERN
    std::string params_filename = std::string(argv[4]); // 参数文件路径
 
    // 创建通用描述子匹配器，根据算法名称和参数文件初始化
    Ptr<GenericDescriptorMatcher> descriptorMatcher = GenericDescriptorMatcher::create(alg_name, params_filename);
    if( descriptorMatcher == 0 )
    {
        printf ("无法创建描述子匹配器\n");
        return 0;
    }
 
    // 读取两张输入图像，转为灰度图
    Mat img1 = imread(img1_name, CV_LOAD_IMAGE_GRAYSCALE);
    Mat img2 = imread(img2_name, CV_LOAD_IMAGE_GRAYSCALE);
 
    // 使用SURF算法提取关键点
    SURF surf_extractor(5.0e3); // SURF特征检测器，阈值设为5000
    vector<KeyPoint> keypoints1, keypoints2;
 
    // 提取第一幅图像的关键点
    surf_extractor(img1, Mat(), keypoints1);
    printf("从第一幅图像中提取到 %d 个关键点\n", (int)keypoints1.size());
 
    // 提取第二幅图像的关键点
    surf_extractor(img2, Mat(), keypoints2);
    printf("从第二幅图像中提取到 %d 个关键点\n", (int)keypoints2.size());
 
    // 使用描述子匹配器进行关键点匹配
    vector<DMatch> matches2to1; // 存储匹配结果，从img2到img1的匹配
    printf("正在寻找最近邻匹配... \n");
    descriptorMatcher->match( img2, keypoints2, img1, keypoints1, matches2to1 );
    printf("匹配完成\n");
 
    // 绘制匹配结果并显示
    Mat img_corr = DrawCorrespondences(img1, keypoints1, img2, keypoints2, matches2to1);
    imshow("correspondences", img_corr);
    waitKey(0); // 等待按键
}
 
// 函数定义：绘制两幅图像的关键点及匹配连线
Mat DrawCorrespondences(const Mat& img1, const vector<KeyPoint>& features1, const Mat& img2,
                        const vector<KeyPoint>& features2, const vector<DMatch>& desc_idx)
{
    // 创建足够大的画布，将两幅图像并排放置
    Mat img_corr(Size(img1.cols + img2.cols, MAX(img1.rows, img2.rows)), CV_8UC3);
    img_corr = Scalar::all(0); // 初始化为黑色背景
 
    // 将img1绘制在画布左侧
    Mat part = img_corr(Rect(0, 0, img1.cols, img1.rows));
    cvtColor(img1, part, COLOR_GRAY2RGB); // 转为彩色
 
    // 将img2绘制在画布右侧
    part = img_corr(Rect(img1.cols, 0, img2.cols, img2.rows));
    cvtColor(img2, part, COLOR_GRAY2RGB);
 
    // 在img1的关键点位置绘制红色圆圈
    for (size_t i = 0; i < features1.size(); i++)
    {
        circle(img_corr, features1[i].pt, 3, Scalar(0, 0, 255), -1);
    }
 
    // 在img2的关键点位置绘制红色圆圈，并连线到img1中的匹配点
    for (size_t i = 0; i < features2.size(); i++)
    {
        // 计算img2关键点在画布上的位置（右侧）
        Point pt(cvRound(features2[i].pt.x + img1.cols), cvRound(features2[i].pt.y));
        circle(img_corr, pt, 3, Scalar(0, 0, 255), -1); // 绘制红色圆圈
 
        // 绘制从img1到img2的绿色连线
        line(img_corr, features1[desc_idx[i].trainIdx].pt, pt, Scalar(0, 255, 0));
    }
 
    return img_corr;
}
 
#endif // HAVE_OPENCV_NONFREE

这个示例文件演示了如何使用OpenCV中的通用描述子匹配器（Generic Descriptor Matcher）对两幅图像进行特征点匹配，主要功能包括：

  1. 使用SURF算法从两幅图像提取关键点
  2. 使用指定的匹配算法（如FERN）匹配两幅图像之间的关键点
  3. 可视化显示匹配结果：将两幅图像并排显示并用线条连接匹配的特征点

我尝试编译运行 发现多种问题

先是老版本Opencv的CMakeLists不支持最新版的Cmake4+

于是我尝试使用旧版Cmake3.10+

发现在编译时,我的cpp编译套件版本又过高.

得出结论 如果没有配套虚拟环境 难以复现老版本opencv的sample

遂放弃旧版,学习新版本

import cv2
import numpy as np
 
# 读取图片
img1 = cv2.imread('img1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('img2.jpg', cv2.IMREAD_GRAYSCALE)
 
if img1 is None or img2 is None:
    print('请确保 demo 目录下有 img1.jpg 和 img2.jpg 两张图片！')
    exit(1)
 
# SIFT 特征点匹配
def sift_match(img1, img2):
    if not hasattr(cv2, 'SIFT_create'):
        print('当前 OpenCV 不支持 SIFT')
        return None
    sift = cv2.SIFT_create()
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    matcher = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
    matches = matcher.match(des1, des2)
    matches = sorted(matches, key=lambda x: x.distance)
    img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:30], None, flags=2)
    return img_matches
 
# Harris + ORB 描述子匹配
def harris_orb_match(img1, img2):
    orb = cv2.ORB_create()
    # Harris 角点检测
    def get_harris_keypoints(img):
        harris = cv2.cornerHarris(np.float32(img), 2, 3, 0.04)
        harris = cv2.dilate(harris, None)
        thresh = 0.01 * harris.max()
        keypoints = np.argwhere(harris > thresh)
        # 转为 cv2.KeyPoint
        keypoints = [cv2.KeyPoint(float(pt[1]), float(pt[0]), 3) for pt in keypoints]
        return keypoints
    kp1 = get_harris_keypoints(img1)
    kp2 = get_harris_keypoints(img2)
    # 用 ORB 计算描述子
    kp1, des1 = orb.compute(img1, kp1)
    kp2, des2 = orb.compute(img2, kp2)
    matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = matcher.match(des1, des2)
    matches = sorted(matches, key=lambda x: x.distance)
    img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:30], None, flags=2)
    return img_matches
 
# ORB 特征点匹配
def orb_match(img1, img2):
    orb = cv2.ORB_create()
    kp1, des1 = orb.detectAndCompute(img1, None)
    kp2, des2 = orb.detectAndCompute(img2, None)
    matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = matcher.match(des1, des2)
    matches = sorted(matches, key=lambda x: x.distance)
    img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:30], None, flags=2)
    return img_matches
 
# 展示匹配结果
sift_img = sift_match(img1, img2)
if sift_img is not None:
    cv2.imshow('SIFT Feature Matching', sift_img)
harris_img = harris_orb_match(img1, img2)
cv2.imshow('Harris+ORB Feature Matching', harris_img)
orb_img = orb_match(img1, img2)
cv2.imshow('ORB Feature Matching', orb_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

img1

img2

results

Haris+ORB

SIFT

ORB

SIFT算法

ORB算法

Harris角点 +ORB

本技术内容仅供学习和交流使用，如有疑问请联系qq2014160588并注明来意。请确保在使用过程中遵守相关法律法规。任何因使用本技术内容而导致的直接或间接损失，作者概不负责。用户需自行承担因使用本技术内容而产生的所有风险和责任。请勿将本技术内容用于任何非法用途。
上一篇
下一篇

推荐文章

CQU CV Projects3 基于LK光流法的目标追踪
CQU CV Project4 人物检测
CQU CV Project1 Sobel Laplac Canny 算子边缘检测
计算机视觉