surf特征+FLANN特征匹配+knn筛选匹配点+单应性矩阵映射
#include "stdafx.h"
#include <stdio.h>
#include <iostream>
#include <opencv2/core/core.hpp>
#include "opencv2/nonfree/features2d.hpp"
#include<opencv2/legacy/legacy.hpp>
#include <opencv2/highgui/highgui.hpp>
using namespace cv;
using namespace std;
int main( )
{
Mat img_1 = imread( "C:\\temp\\PyramidPattern.jpg", CV_LOAD_IMAGE_GRAYSCALE );
Mat img_2 = imread( "C:\\temp\\PyramidPatternTest.bmp", CV_LOAD_IMAGE_GRAYSCALE );
if( !img_1.data || !img_2.data )
{ return -1; }
//-- Step 1: Detect the keypoints using SURF Detector
int minHessian = 400;
SurfFeatureDetector detector( minHessian );
vector<KeyPoint> keypoints_1, keypoints_2;
detector.detect( img_1, keypoints_1 );
detector.detect( img_2, keypoints_2 );
//-- Step 2: Calculate descriptors (feature vectors)
SurfDescriptorExtractor extractor;
Mat descriptors_1, descriptors_2;
extractor.compute( img_1, keypoints_1, descriptors_1 );
extractor.compute( img_2, keypoints_2, descriptors_2 );
//-- Step 3: Matching descriptor vectors using FLANN matcher
FlannBasedMatcher matcher;
vector< DMatch > matches;
vector<vector<DMatch>> m_knnMatches;
matches.clear();
const float minRatio=1.f / 1.5f;
matcher.knnMatch(descriptors_1,descriptors_2,m_knnMatches,2);
for (int i=0; i<m_knnMatches.size(); i++)
{
const DMatch& bestMatch=m_knnMatches[i][0];
const DMatch& betterMatch=m_knnMatches[i][1];
float distanceRatio=bestMatch.distance/betterMatch.distance;
if (distanceRatio<minRatio)
{
matches.push_back(bestMatch);
}
}
vector< DMatch > good_matches;
if(!matches.size())
{
cout<<"matches is empty! "<<endl;
return -1;
}
else if (matches.size()<4)
{
cout<<matches.size()<<" points matched is not enough "<<endl;
}
else //单应性矩阵的计算最少得使用4个点
{
for( int i = 0; i < matches.size(); i++ )
{
good_matches.push_back(matches[i]);
}
Mat img_matches;
drawMatches( img_1, keypoints_1, img_2, keypoints_2,
good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );
//☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★☆★
//-- Localize the object from img_1 in img_2
vector<Point2f> obj;
vector<Point2f> scene;
for( int i = 0; i < good_matches.size(); i++ )
{
//-- Get the keypoints from the good matches
obj.push_back( keypoints_1[ good_matches[i].queryIdx ].pt );
scene.push_back( keypoints_2[ good_matches[i].trainIdx ].pt );
}
Mat H = findHomography( obj, scene, CV_RANSAC );
//-- Get the corners from the image_1 ( the object to be "detected" )
vector<Point2f> obj_corners(4);
obj_corners[0]=cvPoint(0,0);
obj_corners[1]=cvPoint( img_1.cols, 0 );
obj_corners[2]=cvPoint(img_1.cols,img_1.rows);
obj_corners[3]=cvPoint(0,img_1.rows);
vector<Point2f> scene_corners(4);
perspectiveTransform( obj_corners, scene_corners, H);
for( int i = 0; i < 4; i++ )
{
/* 作用和perspectiveTransform一样
double x = obj_corners[i].x;
double y = obj_corners[i].y;
double Z = 1./( H.at<double>(2,0)*x + H.at<double>(2,1)*y + H.at<double>(2,2) );
double X = ( H.at<double>(0,0)*x + H.at<double>(0,1)*y + H.at<double>(0,2) )*Z;
double Y = ( H.at<double>(1,0)*x + H.at<double>(1,1)*y + H.at<double>(1,2) )*Z;
scene_corners[i] = cvPoint( cvRound(X) + img_1.cols, cvRound(Y) );*/
scene_corners[i].x+=img_1.cols;
}
line( img_matches, scene_corners[0], scene_corners[1], Scalar(0, 255, 0), 2 );
line( img_matches, scene_corners[1], scene_corners[2], Scalar( 0, 255, 0), 2 );
line( img_matches, scene_corners[2], scene_corners[3], Scalar( 0, 255, 0), 2 );
line( img_matches, scene_corners[3], scene_corners[0], Scalar( 0, 255, 0), 2 );
imshow( "Good Matches & Object detection", img_matches );
}
waitKey(0);
return 0;
}
附带一些知识点：
图像特征：
1.边界
2.角点（兴趣点）
3.斑点（兴趣区域）
角点是图像的一个局部特征，常用的有harris角点，其算法是一种直接基于灰度图像的，稳定性高，尤其对L型角点检测精度高，但由于采用了高斯滤波，运算速度相对较慢，角点信息有丢失和位置偏移的现象，而且角点提取有聚簇现象。具体在OpenCV中的实现就是使用函数cornerHarris。
除了Harris角点检测，还有Shi-Tomasi角点检测，goodFeaturesToTrack角点检测，将找到的点再用FindCornerSubPix()来找出强特征点。也可以自己制作角点检测的函数，需要用到cornerMinEigenVal函数和minMaxLoc函数，最后的特征点选取，判断条件要根据自己的情况编辑。如果对特征点，角点的精度要求更高，可以用cornerSubPix函数将角点定位到子像素。
estimateRigidTransform()：计算多个二维点对或者图像之间的最优仿射变换矩阵 （2行x3列），H可以是部分自由度，比如各向一致的切变。
getAffineTransform()：计算3个二维点对之间的仿射变换矩阵H（2行x3列），自由度为6.
warpAffine()：对输入图像进行仿射变换
findHomography： 计算多个二维点对之间的最优单映射变换矩阵 H（3行x3列） ，使用最小均方误差或者RANSAC方法 。
getPerspectiveTransform()：计算4个二维点对之间的透射变换矩阵 H（3行x3列）
warpPerspective()： 对输入图像进行透射变换
perspectiveTransform()：对二维或者三维矢量进行透射变换，也就是对输入二维坐标点或者三维坐标点进行投射变换。
estimateAffine3D：计算多个三维点对之间的最优三维仿射变换矩阵H （3行x4列）
transform()：对输入的N维矢量进行变换，可用于进行仿射变换、图像色彩变换.
findFundamentalMat：计算多个点对之间的基矩阵H。
cvStereoCalibrate()：中T类型要求了3*1，对与其他形参float和double都支持
cvStereoRectigy()：只支持double类型
cvStereoRectifyUncalibrated()：立体校正算法Hartley算法效果和F矩阵及图像数量有关，
ps：
【如果用cvStereoCalibrate()函数计算处理的F矩阵效果和Bouguet算法（cvStereoRectigy()）效果一样】
【如果用cvFindFundamentalMat()函数计算F矩阵，没有Bougut算法好】
【用Hartley算法（cvStereoRectifyUncalibrated()）校正时，别忘了实现要用cvUndistortPoints()去除相机畸变，Bouguet算法（cvStereoRectigy()）没有这个要求，实际上它在函数内部校正了相机的畸变。】
Q&A：
问题1：如何计算3个二维点对之间的仿射变换矩阵？
答：使用getAffineTransform()。
问题2：如何计算多个二维点对之间的仿射变换矩阵（使用误差最小准则 ）？
答：使用estimateRigidTransform()。
问题3：如何计算多个二维点对之间的投影变换矩阵（使用误差最小准则 ）
答：findHomography()。
问题4：如何计算4个二维点对之间的透射变换？
答：使用getPerspectiveTransform()。
问题5：如何计算多个三维点对之间的仿射变换？
答：使用estimateAffine3D。
问题6：如何对输入图像进行仿射变换？
答：使用warpAffine()。
问题7：如何对输入图像进行透射变换？
答：使用perspectiveTransform()。
问题8：如何对输入的二维点对进行仿射变换？
答：使用transform()。
问题9：如何对输入的三维点对进行投影变换？
答：使用perspectiveTransform()。
注意：
1. 使用findHomography接口获取两张图之间的单应性矩阵H，获得的结果不具有可逆性。举例来说，两张图M1和M2，那么调用findHomography(M1, M2, CV_RANSAC, 4)得到的矩阵H12和findHomography(M2, M1, CV_RANSAC, 4)得到的矩阵H21不具有可逆关系，即：H12的逆不等于H21，H12和H21的逆存在一定的误差，这个误差的产生是因为这个单应性矩阵的求取本身就是采用了RANSAC算法，得到的估算矩阵，是个估算值，所以存在误差。
