OpenCV中一些相關結構說明：

特征點類：

[cpp]?view plain?copy ?

class?KeyPoint??

{??

???????Point2f??pt;??//坐標??

???????float??size;?//特征點鄰域直徑??

???????float??angle;?//特征點的方向，值為[0,360)，負值表示不使用??

???????float??response;?//??

???????int??octave;?//特征點所在的圖像金字塔的組??

???????int??class_id;?//用于聚類的id??

}??

存放匹配結果的結構：

[cpp]?view plain?copy ?

struct?DMatch??

{??

???????//三個構造函數??

????DMatch():?queryIdx(-1),?trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max())?{}??

????DMatch(int??_queryIdx,?int??_trainIdx,?float??_distance?)?:??

?????????????????????queryIdx(?_queryIdx),trainIdx(?_trainIdx),?imgIdx(-1),distance(?_distance)?{}??

????DMatch(int??_queryIdx,?int??_trainIdx,?int??_imgIdx,?float??_distance?)?:??

????????????queryIdx(_queryIdx),?trainIdx(?_trainIdx),?imgIdx(?_imgIdx),distance(?_distance)?{}??

??

????intqueryIdx;??//此匹配對應的查詢圖像的特征描述子索引??

????inttrainIdx;???//此匹配對應的訓練(模板)圖像的特征描述子索引??

????intimgIdx;????//訓練圖像的索引(若有多個)??

????float?distance;??//兩個特征向量之間的歐氏距離，越小表明匹配度越高。??

????booloperator?<?(const?DMatch?&m)?const;??

};??

?????? 說明：以兩個特征點描述子(特征向量)之間的歐氏距離作為特征點匹配的相似度準則，假設特征點對p和q的

????????????? ?特征描述子分別為Des_p和Des_q，則其歐氏距離定義為：

????????????? ? 所以每個匹配分別對應訓練圖像(train)和查詢圖像(query)中的一個特征描述子(特征向量)。

[cpp]?view plain?copy ?

#include?"opencv2/highgui/highgui.hpp"??

#include?"opencv2/imgproc/imgproc.hpp"??

#include?"opencv2/nonfree/nonfree.hpp"??

#include?"opencv2/nonfree/features2d.hpp"??

#include?<iostream>??

#include?<stdio.h>??

#include?<stdlib.h>??

??

using?namespace?cv;??

using?namespace?std;??

??

int?main()??

{??

????initModule_nonfree();//初始化模塊，使用SIFT或SURF時用到??

????Ptr<FeatureDetector>?detector?=?FeatureDetector::create(?"SIFT"?);//創建SIFT特征檢測器??

????Ptr<DescriptorExtractor>?descriptor_extractor?=?DescriptorExtractor::create(?"SIFT"?);//創建特征向量生成器??

????Ptr<DescriptorMatcher>?descriptor_matcher?=?DescriptorMatcher::create(?"BruteForce"?);//創建特征匹配器??

????if(?detector.empty()?||?descriptor_extractor.empty()?)??

????????cout<<"fail?to?create?detector!";??

??

????//讀入圖像??

????Mat?img1?=?imread("desk.jpg");??

????Mat?img2?=?imread("desk_glue.jpg");??

??

????//特征點檢測??

????double?t?=?getTickCount();//當前滴答數??

????vector<KeyPoint>?keypoints1,keypoints2;??

????detector->detect(?img1,?keypoints1?);//檢測img1中的SIFT特征點，存儲到keypoints1中??

????detector->detect(?img2,?keypoints2?);??

????cout<<"圖像1特征點個數:"<<keypoints1.size()<<endl;??

????cout<<"圖像2特征點個數:"<<keypoints2.size()<<endl;??

??

????//根據特征點計算特征描述子矩陣，即特征向量矩陣??

????Mat?descriptors1,descriptors2;??

????descriptor_extractor->compute(?img1,?keypoints1,?descriptors1?);??

????descriptor_extractor->compute(?img2,?keypoints2,?descriptors2?);??

????t?=?((double)getTickCount()?-?t)/getTickFrequency();??

????cout<<"SIFT算法用時："<<t<<"秒"<<endl;??

??

??

????cout<<"圖像1特征描述矩陣大小："<<descriptors1.size()??

????????<<"，特征向量個數："<<descriptors1.rows<<"，維數："<<descriptors1.cols<<endl;??

????cout<<"圖像2特征描述矩陣大小："<<descriptors2.size()??

????????<<"，特征向量個數："<<descriptors2.rows<<"，維數："<<descriptors2.cols<<endl;??

??

????//畫出特征點??

????Mat?img_keypoints1,img_keypoints2;??

????drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);??

????drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);??

????//imshow("Src1",img_keypoints1);??

????//imshow("Src2",img_keypoints2);??

??

????//特征匹配??

????vector<DMatch>?matches;//匹配結果??

????descriptor_matcher->match(?descriptors1,?descriptors2,?matches?);//匹配兩個圖像的特征矩陣??

????cout<<"Match個數："<<matches.size()<<endl;??

??

????//計算匹配結果中距離的最大和最小值??

????//距離是指兩個特征向量間的歐式距離，表明兩個特征的差異，值越小表明兩個特征點越接近??

????double?max_dist?=?0;??

????double?min_dist?=?100;??

????for(int?i=0;?i<matches.size();?i++)??

????{??

????????double?dist?=?matches[i].distance;??

????????if(dist?<?min_dist)?min_dist?=?dist;??

????????if(dist?>?max_dist)?max_dist?=?dist;??

????}??

????cout<<"最大距離："<<max_dist<<endl;??

????cout<<"最小距離："<<min_dist<<endl;??

??

????//篩選出較好的匹配點??

????vector<DMatch>?goodMatches;??

????for(int?i=0;?i<matches.size();?i++)??

????{??

????????if(matches[i].distance?<?0.31?*?max_dist)??

????????{??

????????????goodMatches.push_back(matches[i]);??

????????}??

????}??

????cout<<"goodMatch個數："<<goodMatches.size()<<endl;??

??

????//畫出匹配結果??

????Mat?img_matches;??

????//紅色連接的是匹配的特征點對，綠色是未匹配的特征點??

????drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,??

????????????????Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);??

??

????imshow("MatchSIFT",img_matches);??

????waitKey(0);??

????return?0;??

}??

結果：

效果圖：

源碼下載：

http://download.csdn.net/detail/masikkk/5511831

當然，這些匹配還沒有經過系統的篩選，還存在大量的錯配，關于匹配的篩選參見這篇文章：

?利用RANSAC算法篩選SIFT特征匹配

以及RobHess的SIFT源碼分析系列文章：http://blog.csdn.net/masibuaa/article/details/9191309

from:?http://blog.csdn.net/masibuaa/article/details/8998601

總結

以上是生活随笔為你收集整理的OpenCV2.4.4中调用SIFT特征检测器进行图像匹配的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。