OpenCV实现图像特征提取与匹配

ops/2025/3/17 0:30:47/

‌一、特征检测与描述子提取‌

  1. ‌选择特征检测器‌
    常用算法包括：

    • ‌ORB‌：一种高效的替代SIFT和SURF的算法，主要用于移动机器人和增强现实等领域。适合实时应用，结合FAST关键点与BRIEF描述子‌。
    • ‌SIFT（尺度不变特征变换）：一种用于图像特征检测与描述的经典算法，具有尺度、旋转、光照不变性等特点。计算成本较高，不适合实时应用‌ 。（需OpenCV contrib模块）‌。
    • SURF‌：是对SIFT的改进，主要用于实时应用中。（需OpenCV contrib模块）‌。
    • ‌BRISK‌：二进制描述子，速度快且对噪声鲁棒‌。主要用于实时应用中。
      算法特点
      SIFT‌尺度不变性‌：通过构建图像金字塔和高斯差分金字塔来检测关键点，具有较好的尺度不变性。
      ‌旋转不变性‌：为每个关键点分配一个基准方向，确保描述子的旋转不变性。
      ‌光照和视角变化鲁棒性‌：部分抵抗光照变化，对视角变化也有较好的适应性。
      ‌计算复杂度高‌：由于需要构建多尺度空间，计算成本较高，不适合实时应用‌。
      SURF‌速度更快‌：通过使用Hessian矩阵近似替代SIFT中的高斯差分函数，提高了计算速度。
      ‌鲁棒性‌：在保持SIFT的优点基础上，进一步优化了特征点的检测和描述符的构建过程。
      ‌光照和尺度不变性‌：与SIFT类似，具有较好的光照和尺度不变性‌。
      ORB‌速度快‌：基于FAST角点检测和BRIEF描述符，计算速度比SIFT和SURF快两个数量级。
      ‌旋转不变性‌：通过计算关键点的主方向，实现旋转不变性。
      ‌二进制描述符‌：使用二进制描述符，有利于加速特征匹配过程‌。
      BRISK‌快速计算‌：通过使用圆形邻域和高效的采样模式，计算速度较快。
      ‌二进制描述符‌：使用二进制描述符，有利于加速特征匹配过程。
      ‌尺度不变性‌：通过构建多尺度空间，具有一定的尺度不变性‌。
      // ORB检测器初始化
cv::Ptr<cv::ORB> detector = cv::ORB::create(500);  // 提取500个特征点
std::vector<cv::KeyPoint> keypoints1, keypoints2;
cv::Mat descriptors1, descriptors2;// 检测关键点并计算描述子
detector->detectAndCompute(img1, cv::noArray(), keypoints1, descriptors1);
detector->detectAndCompute(img2, cv::noArray(), keypoints2, descriptors2);
      // BRISK检测器‌
cv::Ptr<cv::BRISK> brisk = cv::BRISK::create();
// SURF检测器‌
cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create(400);
      //SIFT// 创建 SIFT 检测器对象Ptr<SIFT> sift = SIFT::create();// 检测关键点并计算描述子std::vector<KeyPoint> keypoints;Mat descriptors;sift->detectAndCompute(img, noArray(), keypoints, descriptors);
      // 初始化SURF检测器，可以选择设置不同的阈值、半径等参数double hessianThreshold = 400;int nOctaves = 4;int nOctaveLayers = 3;bool extended = false;bool upright = false;cv::Ptr<cv::xfeatures2d::SURF> detector = cv::xfeatures2d::SURF::create(hessianThreshold, nOctaves, nOctaveLayers, extended, upright);// 检测关键点和提取特征描述子std::vector<cv::KeyPoint> keypoints1, keypoints2;cv::Mat descriptors1, descriptors2;detector->detectAndCompute(img1, cv::noArray(), keypoints1, descriptors1);detector->detectAndCompute(img2, cv::noArray(), keypoints2, descriptors2);

‌二、特征匹配‌

  1. ‌暴力匹配（BFMatcher）‌
    计算所有特征对的距离，适合小规模数据集‌。

    cv::BFMatcher matcher(cv::NORM_HAMMING);  // ORB/BRIEF用汉明距离
std::vector<cv::DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);

  2. ‌FLANN匹配‌
    使用近似最近邻搜索，适合大规模数据集‌。

    cv::FlannBasedMatcher matcher(new cv::flann::LshIndexParams(20, 10, 2));
matcher.match(descriptors1, descriptors2, matches);

‌三、匹配结果优化‌

  1. ‌过滤低质量匹配‌
    通过距离阈值筛选：

    double min_dist = DBL_MAX, max_dist = 0;
for (auto& m : matches) {if (m.distance < min_dist) min_dist = m.distance;if (m.distance > max_dist) max_dist = m.distance;
}
std::vector<cv::DMatch> good_matches;
for (auto& m : matches) {if (m.distance < 3 * min_dist)  // 经验阈值good_matches.push_back(m);
}

  2. ‌可视化匹配结果

    cv::Mat img_matches;
cv::drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_matches);
cv::imshow("Matches", img_matches);
cv::waitKey(0);

‌四、完整流程示例

4.1 ORB
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>int main() {// 读取图像cv::Mat img1 = cv::imread("image1.jpg", cv::IMREAD_GRAYSCALE);cv::Mat img2 = cv::imread("image2.jpg", cv::IMREAD_GRAYSCALE);// 初始化ORB检测器‌cv::Ptr<cv::ORB> detector = cv::ORB::create(500);std::vector<cv::KeyPoint> kp1, kp2;cv::Mat desc1, desc2;detector->detectAndCompute(img1, cv::noArray(), kp1, desc1);detector->detectAndCompute(img2, cv::noArray(), kp2, desc2);// 暴力匹配‌cv::BFMatcher matcher(cv::NORM_HAMMING);std::vector<cv::DMatch> matches;matcher.match(desc1, desc2, matches);// 过滤匹配点‌double min_dist = 100;std::vector<cv::DMatch> good_matches;for (auto& m : matches) {if (m.distance < 2 * min_dist)good_matches.push_back(m);}// 可视化cv::Mat img_matches;cv::drawMatches(img1, kp1, img2, kp2, good_matches, img_matches);//可调整参数显示匹配连线颜色/粗细‌cv::imshow("Matches", img_matches);cv::waitKey(0);return 0;
}

关键参数说明‌
detector->create()    控制特征点数量（如ORB::create(500)）
NORM_HAMMING    二进制描述子（ORB、BRISK）的距离计算方式‌
drawMatches()    可调整参数显示匹配连线颜色/粗细‌

4.2 SIFT
//SIFT特征提取与显示代码
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>  // SIFT 头文件‌using namespace cv;
using namespace cv::xfeatures2d;int main() {// 1. 读取图像Mat img = imread("image.jpg", IMREAD_GRAYSCALE);if (img.empty()) {std::cerr << "图像读取失败！" << std::endl;return -1;}// 2. 创建 SIFT 检测器对象Ptr<SIFT> sift = SIFT::create();  // 新版本接口‌// 3. 检测关键点并计算描述子std::vector<KeyPoint> keypoints;Mat descriptors;sift->detectAndCompute(img, noArray(), keypoints, descriptors);  // 核心函数‌// 4. 绘制关键点（带尺度和方向）Mat img_keypoints;drawKeypoints(img, keypoints, img_keypoints, Scalar::all(-1), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);  // 可视化增强‌// 5. 显示结果imshow("SIFT 关键点", img_keypoints);waitKey(0);return 0;
}
//SIFT特征匹配代码
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>  // SIFT 头文件‌using namespace cv;
using namespace cv::xfeatures2d;int main()
{
// 1. 读取两幅图像并计算特征
Mat img1 = imread("image1.jpg", IMREAD_GRAYSCALE);
Mat img2 = imread("image2.jpg", IMREAD_GRAYSCALE);
std::vector<KeyPoint> kp1, kp2;
Mat desc1, desc2;
sift->detectAndCompute(img1, noArray(), kp1, desc1);
sift->detectAndCompute(img2, noArray(), kp2, desc2);// 2. 使用 FLANN 匹配器（需转换为 CV_32F）
desc1.convertTo(desc1, CV_32F);
desc2.convertTo(desc2, CV_32F);
FlannBasedMatcher matcher;
std::vector<DMatch> matches;
matcher.match(desc1, desc2, matches);  // 快速近邻匹配‌// 3. 筛选优质匹配（阈值法）
std::sort(matches.begin(), matches.end());
const int keep = matches.size() * 0.15;
matches.erase(matches.begin() + keep, matches.end());// 4. 绘制匹配结果
Mat img_matches;
drawMatches(img1, kp1, img2, kp2, matches, img_matches);
imshow("特征匹配结果", img_matches);
waitKey(0);return 0;
}

关键参数说明‌
‌SIFT::create()‌：创建 SIFT 检测器对象，可设置参数（如特征点数量、对比度阈值等）‌。
‌detectAndCompute()‌：单函数完成关键点检测与描述子计算，提升效率‌。
‌drawKeypoints()‌：DRAW_RICH_KEYPOINTS 参数绘制关键点的尺度圆和方向线‌。


4.3 SURF
//SURF特征描述子匹配代码
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>int main() {// 加载图片cv::Mat img1 = cv::imread("path_to_image1.jpg", cv::IMREAD_GRAYSCALE);cv::Mat img2 = cv::imread("path_to_image2.jpg", cv::IMREAD_GRAYSCALE);// 初始化SURF检测器，可以选择设置不同的阈值、半径等参数double hessianThreshold = 400;int nOctaves = 4;int nOctaveLayers = 3;bool extended = false;bool upright = false;cv::Ptr<cv::xfeatures2d::SURF> detector = cv::xfeatures2d::SURF::create(hessianThreshold, nOctaves, nOctaveLayers, extended, upright);// 检测关键点和提取特征描述子std::vector<cv::KeyPoint> keypoints1, keypoints2;cv::Mat descriptors1, descriptors2;detector->detectAndCompute(img1, cv::noArray(), keypoints1, descriptors1);detector->detectAndCompute(img2, cv::noArray(), keypoints2, descriptors2);// 使用FLANN匹配器进行特征匹配cv::FlannBasedMatcher matcher(cv::makePtr<cv::flann::LshIndexParams>(12, 20, 2));std::vector<cv::DMatch> matches;matcher.match(descriptors1, descriptors2, matches);// 根据匹配距离进行排序std::sort(matches.begin(), matches.end());// 绘制匹配结果cv::Mat matchesImage;cv::drawMatches(img1, keypoints1, img2, keypoints2, matches, matchesImage,cv::Scalar::all(-1), cv::Scalar::all(-1), std::vector<char>(), cv::DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);// 显示匹配结果图像cv::imshow("Matches", matchesImage);cv::waitKey(0);return 0;
}
4.4 BRISK
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>  // 需要 OpenCV contrib 模块using namespace cv;int main() {// 1. 读取图像Mat img1 = imread("image1.jpg", IMREAD_GRAYSCALE);Mat img2 = imread("image2.jpg", IMREAD_GRAYSCALE);// 2. 初始化 BRISK 检测器Ptr<BRISK> brisk = BRISK::create();std::vector<KeyPoint> keypoints1, keypoints2;Mat descriptors1, descriptors2;// 3. 提取关键点和描述子brisk->detectAndCompute(img1, noArray(), keypoints1, descriptors1);brisk->detectAndCompute(img2, noArray(), keypoints2, descriptors2);// 4. 使用暴力匹配器（汉明距离）BFMatcher matcher(NORM_HAMMING);std::vector<DMatch> matches;matcher.match(descriptors1, descriptors2, matches);// 5. 过滤匹配点（基于距离阈值）double min_dist = 100;for (const auto& m : matches) {if (m.distance < min_dist) min_dist = m.distance;}std::vector<DMatch> good_matches;for (const auto& m : matches) {if (m.distance < 2 * min_dist) {  // 调整阈值以控制筛选严格度good_matches.push_back(m);}}// 6. 可视化关键点Mat img_kp1, img_kp2;drawKeypoints(img1, keypoints1, img_kp1, Scalar(0, 255, 0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);drawKeypoints(img2, keypoints2, img_kp2, Scalar(0, 255, 0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);imshow("BRISK Keypoints 1", img_kp1);imshow("BRISK Keypoints 2", img_kp2);// 7. 可视化匹配结果Mat img_matches;drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_matches,Scalar::all(-1), Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);imshow("BRISK Matches", img_matches);waitKey(0);return 0;
}

‌关键参数说明‌
‌1）BRISK 参数‌：
Ptr<BRISK> brisk = BRISK::create(
    int thresh = 30,       // FAST角点检测阈值
    int octaves = 3,       // 图像金字塔层数
    float patternScale = 1.0  // 描述子采样模式缩放
);
修改 thresh 可调整检测到的关键点数量（值越小，检测到的点越多）。

‌2）匹配筛选‌：
调整 if (m.distance < 2 * min_dist) 中的倍数系数（如 2 → 3）可放宽或收紧筛选条件。
使用 ‌RANSAC 几何验证‌ 进一步优化匹配（参考 SIFT/SURF 代码中的 findHomography 步骤）。


http://www.ppmy.cn/ops/166355.html

相关文章

王者荣耀道具页面爬虫（json格式数据）

王者荣耀道具页面爬虫（json格式数据）

首先这个和英雄页面是不一样的&#xff0c;英雄页面的图片链接是直接放在源代码里面的&#xff0c;直接就可以请求到&#xff0c;但是这个源代码里面是没有的 虽然在检查页面能够搜索到&#xff0c;但是应该是动态加载的&#xff0c;源码中搜不到该链接 然后就去看看是不是某…
阅读更多...
mac安装mysql之后报错zsh: command not found: mysql ！

mac安装mysql之后报错zsh: command not found: mysql ！

在Mac上安装MySQL后&#xff0c;如果终端中找不到mysql命令&#xff0c;通常是 因为MySQL的命令行工具&#xff08;如mysql客户端&#xff09;没有被正确地添加到你的环境变量中。 检查 MySQL 是否已安装 ps -ef|grep mysql查看到路径在 /usr/local/mysql/bin 查看 .bash_pro…
阅读更多...
【SpringMVC】常用注解：@ModelAttribute

【SpringMVC】常用注解：@ModelAttribute

1.作用 该注解是在SpringMVC4.3版本后新加入的。它可以修饰方法和参数。出现在方法上&#xff0c;表示当前方法会在控制器的方法之前执行。它可以修饰 没有返回值的方法&#xff0c;也可以修饰没有返回值的方法。它修饰参数&#xff0c;获取指定 的数据给参数赋值。 当表单提…
阅读更多...
多线程到底重不重要？

多线程到底重不重要？

我们先说一下为什么要讲多线程和高并发&#xff1f; 原因是&#xff0c;你想拿到一个更高的薪水&#xff0c;在面试的时候呈现出了两个方向的现象&#xff1a; 第一个是上天 项目经验高并发 缓存 大流量 大数据量的架构设计 第二个是入地 各种基础算法&#xff0c;各种基础…
阅读更多...
3ds Max 导入到 After Effects 还原摄像机要注意事项--deepseek

3ds Max 导入到 After Effects 还原摄像机要注意事项--deepseek

我&#xff1a;dp我这有两个脚本分别是syn软件相机导出到max的和syn软件相机导出到ae的&#xff0c;你能看出差别来吗&#xff1f;如果我想把max里的相机导入到ae里&#xff0c;保持原来的位置方向&#xff0c;该怎么做 dp&#xff1a;从这两个脚本可以看出&#xff0c;3ds Ma…
阅读更多...
【漫话机器学习系列】134.基于半径的最近邻分类器（Radius-Based Nearest Neighbor Classifier）

【漫话机器学习系列】134.基于半径的最近邻分类器（Radius-Based Nearest Neighbor Classifier）

在机器学习中&#xff0c;最近邻&#xff08;Nearest Neighbor&#xff09;算法是一种基本的分类方法&#xff0c;它主要依赖于计算点之间的距离来进行分类。最常见的最近邻算法是 k-最近邻&#xff08;k-Nearest Neighbors, k-NN&#xff09;&#xff0c;它通过选取距离目标点…
阅读更多...
模拟String基本函数/深浅拷贝/柔性数组

模拟String基本函数/深浅拷贝/柔性数组

1.首先我们先关注一下ASCII&#xff1a; 记住常用每一个字符对应的ascii码值&#xff01; 2.string函数的相关操作函数代码&#xff1a; 大多数小疑问都已经写在注释里面&#xff01; #pragma once #define _CRT_SECURE_NO_WARNINGS #include<iostream> #include<a…
阅读更多...
ES6回顾：闭包-＞(优点：实现工厂函数、记忆化和异步实现）、（应用场景：Promise的then与catch的回调、async/await、柯里化函数）

ES6回顾：闭包-＞(优点：实现工厂函数、记忆化和异步实现）、（应用场景：Promise的then与catch的回调、async/await、柯里化函数）

闭包讲解 ES6回顾&#xff1a;闭包->(优点&#xff1a;实现工厂函数、记忆化和异步实现&#xff09;、&#xff08;应用场景&#xff1a;Promise的then与catch的回调、async/await、柯里化函数&#xff09; 以下是与 JavaScript 闭包相关的常见考点整理&#xff0c;结合 Pro…
阅读更多...
最新文章

Copyright @ 2022~2023