#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
using namespace std;
using namespace cv;
int main(int argc, char** argv)
{
//判斷運作該程式時,是否滿足以下啟動指令
if(argc != 3)
{
cout << "usage: ./feature_extraction img_1 img_2" << endl;
//注意img_1和img_2要指明路徑
return 1;
}
//讀取圖像
//argv[0] 是程式名--feature_extraction
Mat img_1 = imread(argv[1] , CV_LOAD_IMAGE_COLOR);
Mat img_2 = imread(argv[2] , CV_LOAD_IMAGE_COLOR);
//初始化
std::vector<KeyPoint> keypoints_1, keypoints_2;
Mat descriptors_1, descriptors_2;
//cout << "descriptors_1 = " << descriptors_1 << endl;
// 列印結果:descriptors_1 = []
//在代碼最後有介紹ORB::create()
//ORB::create(nfeatures, scaleFactor, nlevels, edgeThreshold, firstLevel, WTA_K, scoreType, patchSize, fastThreshold);
//cv::ORB 實作ORB(oriented BRIEF)關鍵點檢測器和描述子提取器類。
Ptr<ORB> orb = ORB::create(500, 1.2f, 8, 31, 0, 2, ORB::HARRIS_SCORE, 31, 20);
//==========================================
// 第一步: 檢測Oriented FAST 角點的位置
orb->detect(img_1, keypoints_1);
orb->detect(img_2, keypoints_2);
// 第二步: 根據角點位置計算BRIEF描述子
orb->compute(img_1, keypoints_1, descriptors_1);
orb->compute(img_2, keypoints_2, descriptors_2);
Mat outimg1; //輸出圖像outimg1,用矩陣儲存圖像資訊,包括矩陣頭和矩陣資料
drawKeypoints( //Draws keypoints.
img_1,
keypoints_1,
outimg1,
Scalar::all(-1), //color Color of keypoints.
DrawMatchesFlags::DEFAULT //Output image matrix will be created (Mat::create),
);
imshow("ORB特征點", outimg1);
// 第三步: 對兩幅圖像中的BRIEF描述子進行比對,使用 Hamming distance 漢明距離
vector<DMatch> matches; //DMatch---Class for matching keypoint descriptors
BFMatcher matcher (NORM_HAMMING); //BFMatcher---Brute-force descriptor matcher.(暴力比對)
matcher.match(descriptors_1, descriptors_2, matches);
// 第四步: 比對點對篩選(p, q)
double min_dist = 10000, max_dist = 0;
// 找出所有比對之間的最小距離和最大距離,即是最相似的和最不相似的兩組點之間的距離
for(int i = 0; i < descriptors_1.rows; i++)
{
double dist = matches[i].distance;
if(dist < min_dist)
min_dist = dist;
if(dist > max_dist)
max_dist = dist;
}
printf("--Max dist : %f \n", max_dist);
printf("--Min dist : %f \n", min_dist);
/**********************優化比對****************************/
//當描述子之間的距離大于兩倍的最小距離時, 認為比對有誤
//但有時候最小距離非常小,需要設定一個經驗值作為下線
std::vector<DMatch> good_matches;
for(int i = 0; i < descriptors_1.rows; i++)
{
if(matches[i].distance <= max(2*min_dist, 30.0))
//設定經驗值30.0作為下線,選取 2*min_dist 和 30.0之間最大的一個
{
good_matches.push_back(matches[i]);
//如果描述子距離滿足條件,就把這個matches[i]壓入到優化後的隊列good_matches[i]中。
}
}
//繪制比對結果
Mat img_match;
drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_match);
imshow("所有比對點對", img_match);
waitKey(0);
//列印優化後的圖檔
Mat img_goodmatch;
drawMatches(img_1,keypoints_1,img_2, keypoints_2, good_matches, img_goodmatch);
imshow("優化後的比對點對", img_goodmatch);
waitKey(0);
//std::cout << "Hello, World!" << std::endl;
return 0;
}
/*
* static Ptr<ORB> cv::ORB::create (
int nfeatures = 500, //The maximum number of features to retain.
float scaleFactor = 1.2f,
//金字塔抽取比,大于1。scaleFactor==2表示經典金字塔,每一層的像素都比上一層少4倍,
//但如此大的尺度因子會顯著降低特征比對得分。
//另一方面,過于接近1的比例因素将意味着要覆寫一定的比例範圍,
//你将需要更多的金字塔級别,是以速度将受到影響。
int nlevels = 8, //金字塔等級的數量。
//最小級别的線性大小等于input_image_linear_size/pow(scaleFactor, nlevels).
//輸入圖像線性大小/功率(縮放因子,非線性)。
int edgeThreshold = 31, //這是未檢測到特征的邊框大小。它應該大緻比對patchSize參數.
int firstLevel = 0, //It should be 0 in the current implementation.
int WTA_K = 2, //産生oriented BRIEF描述子的每個元素的點數。
int scoreType = ORB::HARRIS_SCORE,
//預設的HARRIS_SCORE意味着HARRIS算法用于對特征進行排序
//(分數被寫入KeyPoint::score,并用于保留最佳特征);
//FAST_SCORE是參數的另一個值,它會産生稍微不太穩定的關鍵點,
//但是計算起來要快一點。
int patchSize = 31, //oriented BRIEF描述符使用的更新檔大小。
//在較小的金字塔層上,被特征覆寫的感覺圖像區域會更大。
int fastThreshold = 20
)
nfeatures :最多提取的特征點的數量;
scaleFactor : 金字塔圖像之間的尺度參數,類似于SIFT中的?;
nlevels: 高斯金字塔的層數;
edgeThreshold :邊緣門檻值,這個值主要是根據後面的patchSize來定的,靠近邊緣edgeThreshold以内的像素是不檢測特征點的。
firstLevel-:看過SIFT都知道,我們可以指定第一層的索引值,這裡預設為0。
WET_K : 用于産生BIREF描述子的點對的個數,一般為2個,也可以設定為3個或4個,那麼這時候描述子之間的距離計算就不能用漢明距離了,而是應該用一個變種。OpenCV中,如果設定WET_K = 2,則選用點對就隻有2個點,比對的時候距離參數選擇NORM_HAMMING,如果WET_K設定為3或4,則BIREF描述子會選擇3個或4個點,那麼後面比對的時候應該選擇的距離參數為NORM_HAMMING2。
scoreType :用于對特征點進行排序的算法,你可以選擇HARRIS_SCORE,也可以選擇FAST_SCORE,但是它也隻是比前者快一點點而已。
patchSize :用于計算BIREF描述子的特征點鄰域大小。
*/