OpenCV + CPP 系列（卌三）图像特征提取（Brisk）

文章目录

• ​​一、Brisk(Binary Robust Invariant Scalable Keypoints)特征介绍​​

• ​​效果演示​​

一、Brisk(Binary Robust Invariant Scalable Keypoints)特征介绍

BRISK特征提取描述算法全称为 Binary Robust Invariant Scalable Keypoints（二进制鲁棒不变可扩展关键点）。BRISK算法也是SIFT算法的一种改进型，主要是针对于旋转不变性、鲁棒性、运算速度等
方面做了优化，其大致流程如下：

（1）在提取特征点阶段与SIFT算法类似，同样是先构造多尺度图像金字塔，再从每一层图像组的多尺度空间中找到最大特征点（非极大值抑制）；

（2）再通过亚像素插值得到最大特征点的精确坐标位置，也即把最大特征点从其它层的坐标映射到金字塔最底层的坐标位置，从而完成对最大特征点的定位。

（3）在描述特征点阶段，使用特征点邻域同心圆采样法，在每个特征点的邻域中选择一个同心圆，在这个同心圆上均匀采样，并对所有采样点进行高斯模糊以消除重复采样带来的影响，并以采样点中的短距离点对的灰度值比较结果，来构建二进制描述子。

（4）再以每个特征点的方向特征、也就是梯度来进行方向归一化，强化了BRISK特征描述子的旋转不变性。

头文件 ​​image_feature_all.h​​：声明类与公共函数

#pragma once
#include <opencv2/opencv.hpp>
#include <iostream>
#include <opencv2/xfeatures2d.hpp>　　//新增引入库

using namespace cv;
using namespace std;


class ImageFeature {
public:
  void brisk_demo(Mat& image, Mat& image2);

};

主函数​​main.cpp​​调用该类的公共成员函数

#include "image_feature_all.h"



int main(int argc, char** argv) {
  const char* img_path = "D:\\Desktop\\match_dst.jpg";
  const char* img_path2 = "D:\\Desktop\\match_raw.jpg";
  Mat image = imread(img_path, IMREAD_GRAYSCALE);
  Mat image2 = imread(img_path2, IMREAD_GRAYSCALE);
  if (image.empty() || image2.empty()) {
    cout << "图像数据为空，读取文件失败！" << endl;
  }
  ImageFeature imgfeature;
  imgfeature.brisk_demo(image, image2);

  waitKey(0);
  destroyAllWindows();
  return 0;
}

效果演示

void ImageFeature::brisk_demo(Mat& image, Mat& image2) {
  Ptr<Feature2D> detector = BRISK::create();
  vector<KeyPoint> keypoints_obj, keypoints_scens;
  Mat descriptor_obj, descriptor_scens;
  detector->detectAndCompute(image, Mat(), keypoints_obj, descriptor_obj);
  detector->detectAndCompute(image2, Mat(), keypoints_scens, descriptor_scens);

  vector<DMatch> matches;
  BFMatcher matcher(NORM_L2);
  matcher.match(descriptor_obj, descriptor_scens, matches, Mat());

  vector<DMatch> good_matches;
  double maxDist = 0, minDist = 1000;
  for (size_t i = 0; i < descriptor_obj.rows; i++) {
    double dist = matches[i].distance;
    if (dist < minDist) { minDist = dist; }
    if (dist > minDist) { maxDist = dist; }
  }

  for (size_t i = 0; i < descriptor_obj.rows; i++) {
    if (matches[i].distance < max(2.0 * minDist, 0.02)) {
      good_matches.push_back(matches[i]);
    }
  }


  Mat resultImg;
  drawMatches(
    image, keypoints_obj, 
    image2, keypoints_scens, 
    good_matches, resultImg, 
    Scalar::all(-1), Scalar::all(-1), 
    vector<char>(), DrawMatchesFlags::DEFAULT
  );
  imshow("resultImg", resultImg);
}