SLAM－－ORB特征點提取－－啰裡啰嗦的代碼解析

#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。




*/