OpenCV（四十六）：特征点匹配

川长思鸟来 2024-03-03 09:00 60阅读 0赞

#### 1.特征点匹配的定义 ####

**特征点匹配是一种在两幅图像中寻找相互对应的特征点，并建立它们之间的对应关系的过程。**具体而言，首先通过特征检测算法在两幅图像中寻找相互对应的特征点，然后，对于每个特征点，通过描述子提取算法计算其描述子，最后，使用匹配算法对两组特征点的描述子进行比较，以找到相互匹配的特征点对。

#### 2.DMatch() 用于表示特征点匹配的数据结构 ####

> cv::DMatch::DMatch ( int queryldx，
> 
> int \_trainldx，
> 
> int \_imgldx,
> 
> float \_distance
> 
> )

*  queryIdx:查询描述子集合中的索引
 *  trainIdx:训练描述子集合中的索引
 *  imgldx:训练描述子来自的图像索引
 *  distance:两个描述符之间的距离

#### 3.特征点匹配类`DescriptorMatcher`的介绍 ####

在OpenCV中，特征点匹配的类主要是`cv::DescriptorMatcher`。`DescriptorMatcher`是一个抽象基类，用于特征点描述子之间的匹配操作。

##### `DescriptorMatcher`类有以下常用方法和函数 #####

###### `1.match()`：对两组特征描述子进行匹配，返回匹配结果（`DMatch`对象的向量）。 ######

> void cv::DescriptorMatcher::match ( InputArray queryDescriptors,
> 
> InputArray trainDescriptors,
> 
> std::vector< DMatch > & matches,
> 
> InputArray mask = noArray()
> 
> )const

*  queryDescriptors:查询描述子集合
 *  trainDescriptors: 训练描述子集合
 *  matches:两个集合描述子匹配结果
 *  mask:描述子匹配时的掩码矩阵，用于指定匹配哪些描述子

###### `2.knnMatch()`：对两组特征描述子进行k近邻匹配，返回每个查询描述子的k个最佳匹配结果。 ######

> void cv::DescriptorMatcher::knnMatch ( InputArray queryDescriptors,
> 
> InputArray trainDescriptors,
> 
> std::vector< std::vector< DMatch > > & matches,
> 
> int k,
> 
> InputArray mask = noArray(),
> 
> bool compactResult = false
> 
> )const

*  queryDescriptors:查询描述子集合
 *  trainDescriptors: 训练描述子集合
 *  matches:描述子匹配结果
 *  k:每个查询描述子在训练描述子集合中寻找的最优匹配结果的数目
 *  mask:描述子匹配时的掩码矩阵，用于指定匹配哪些描述子。
 *  compactResult:输出匹配结果数目是否与查询描述子数目相同的选择标志

###### `3.radiusMatch()`：对两组特征描述子进行半径匹配，返回每个查询描述子在指定半径内的最佳匹配结果。 ######

> void cv::DescriptorMatcher::radiusMatch ( InputArray queryDescriptors,
> 
> InputArray trainDescriptors,
> 
> std::vector< std::vector< DMatch > > &matches,
> 
> float maxDistance,
> 
> InputArray mask = noArray(),
> 
> bool compactResult = false
> 
> )const

*  queryDescriptors:查询描述子集合
 *  trainDescriptors: 训练描述子集合
 *  matches:描述子匹配结果
 *  maxDistance:两个描述子之间满足匹配条件的距离阀值
 *  mask:描述子匹配时的掩码矩阵，用于指定匹配哪些描述子
 *  compactResult:输出匹配结果数目是否与查询描述子数目相同的选择标志

#### 4.特征点匹配函数BFMatcher() ####

###### BFMatcher():暴力匹配 ######

> cv::BFMatcher::BFMatcher ( int normType =ORM\_L2,
> 
> bool crossCheck = false
> 
> )

*  normType:两个描述子之间距离的类型标志，可以选择的参数为NORM\_LI、NORM\_L2、NORM\_HAMMING和NORM\_HAMMING2。
 *  crossCheck:是否进行交叉检测的标志。

#### 5.显示特征点匹配结果函数drawMatches() ####

> void cv::drawMatches ( InputArray img1,
> 
> const std::vector< KeyPoint > & keypoints1,
> 
> InputArray img2,
> 
> const std::vector< KeyPoint > & keypoints2,
> 
> const std::vector< DMatch > &matches1to2,
> 
> InputOutputArray outlmg,
> 
> const Scalar & matchColor = scalar: :all(-1),
> 
> const Scalar & singlePointColor = scalar: :all(-1),
> 
> const std::vector<char>& matchesMask = std: :vector< char >(),
> 
> DrawMatchesFlags flags = DrawMatchesFlags: :DEFAULT
> 
> )

*  imgl:第一张图像。
 *  keypointsl:第一张图像中的关键点
 *  img2:第二张图像。
 *  keypoints2:第二张图像中的关键点。
 *  matcheslto2:第一张图像中关键点与第二张图像中关键点的匹配关系。
 *  outImg:显示匹配结果的输出图像。
 *  matchColor:连接线和关键点的颜色。
 *  singlePointColor: 没有匹配点的关键点的颜色
 *  matchesMask:匹配掩码
 *  flags:绘制功能选择标志

#### 6.示例代码 ####

void orb_fearures(Mat &gray,vector<KeyPoint> &keypoints,Mat &descriptions){
        Ptr<ORB> orb=ORB::create(1000,1.2f);
        orb->detect(gray,keypoints);
        orb->compute(gray,keypoints,descriptions);
    }
    void Matcher_f(Mat img1,Mat img2){
        //提取特征点
        vector<KeyPoint> keypoints1,keypoints2;
        Mat descriptions1,descriptions2;
        //计算特征点
        orb_fearures(img1,keypoints1,descriptions1);
        orb_fearures(img2,keypoints2,descriptions2);
        //特征点匹配
        vector<DMatch> matches;//定义存放匹配结果的变量
        BFMatcher matcher(NORM_HAMMING);//定义特征点匹配的类，使用汉明距离
        matcher.match(descriptions1,descriptions2,matches);//进行特征点匹配
        ostringstream ss;
        ss<<"matches="<<matches.size()<<endl;//匹配成功特征点数目
        //通过汉明距离删选匹配结果
        double min_dist=1000,max_dist=0;
        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;
        }
        //输出所有匹配结果中最大韩明距离和最小汉明距离
        ss<<"min_dist="<<min_dist<<endl;
        ss<<"max_dist="<<max_dist<<endl;
        //将汉明距离较大的匹配点对删除
        vector<DMatch> good_matches;
        for(int i=0;i<matches.size();i++){
            if(matches[i].distance<=max(2*min_dist,20.0)){
                good_matches.push_back(matches[i]);
            }
        }
        ss<<"good_min="<<good_matches.size()<<endl;//剩余特征点数目
        LOGD("%s",ss.str().c_str());
    
        //绘制匹配结果
        Mat outimg,outimg1;
        drawMatches(img1,keypoints1,img2,keypoints2,matches,outimg);
        drawMatches(img1,keypoints1,img2,keypoints2,good_matches,outimg1);
    
        //显示结果
        imwrite("/sdcard/DCIM/outimg.png",outimg);//未筛选结果
        imwrite("/sdcard/DCIM/outimg1.png",outimg1);//最小汉明距离筛选
    
    }

未筛选的特征点匹配结果 ：

![828a91205a1a404682f72e85d30e4138.jpeg][]

最小汉明距离筛选特征点匹配结果：

![5f1fa5d042bc41558be1693e03b3b060.jpeg][]

[828a91205a1a404682f72e85d30e4138.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/e6b7f890ac514f71b9adb8c60356fe0d.png
[5f1fa5d042bc41558be1693e03b3b060.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/4d78ec30490046e892cba221f008728e.png