0
点赞
收藏
分享

微信扫一扫

【计算机视觉系列实战教程 (实战02)】:基于特征点匹配的图像配准

凛冬已至夏日未远 2024-07-24 阅读 10

这里写目录标题

1、特征点提取

(1)GFTT算法提取特征点

A.What(什么是GFTT)

B.GFTT的优势

  • 稳定性好:GTFF 算法检测到的角点相对更加稳定,不容易出现聚簇现象,且角点信息的丢失和位置偏移也相对较少
  • 参数可调节:通过设置相关参数,如最大角点数目、角点可接受的最小特征值、角点之间的最小距离等,可以根据具体需求和图像特点来优化特征点的提取效果

C.How(如何使用GFTT算法提取图像特征点)

int GetKpsByGTFF(const cv::Mat& imSrcGray, std::vector<cv::KeyPoint>& vkps)
{
	//对参数进行检测
	if(imSrcGray.empty() )
	{	
		return -1; 
	}
	if(imSrcGray.channels()!=1)
	{	
		return -2; 
	}
	if(!vkps.empty())
	{	
		vkps.clear(); 
	}
	//提取图像特征点
	cv::Ptr<cv::GFTTDetector> ptrGFTT = 
				cv::GFTTDetector::create(500, //关键点的最大数量
										 0.01, //角点的最小特征值
										 15); //角点之间允许的最短距离
	ptrGFTT->detect(imSrcGray, vkps); //调用算法探测图像上的特征点
	if(vkps.size()==0)
	{	return -3; }
	else
	{	return 1;	}
											
}

(2)FAST算法提取特征点

A.What(什么是FAST角点)

B.FAST角点的强度值

C.How(如何使用FAST算法提取图像特征点)

int GetKpsByFAST(const cv::Mat& imSrcGray, std::vector<cv::KeyPoint>& vkps)
{
	//对参数进行检测
	if(imSrcGray.empty() )
	{	
		return -1; 
	}
	if(imSrcGray.channels()!=1)
	{	
		return -2; 
	}
	if(!vkps.empty())
	{	
		vkps.clear(); 
	}
	//使用FAST算法提取特征点
	cv::Ptr<cv::FastFeatureDetector> ptrFAST = 
		cv::FastFeatureDetector::create(65);//65表关键点强度,即FAST角点的强度值(response)
	ptrFAST->detect(imgSrcGray, vkps);
	if(vkps.size()==0)
	{
		return -3;
	}
	else
	{
		return 1;
	}
}

(3)BRISK算法提取特征点

A.What

B.How(如何使用BRISK算法提取特征点)

int GetKpsByBRISK(const cv::Mat& imSrcGray, std::vector<cv::KeyPoint>& vkps)
{
	//对参数进行检测
	if(imSrcGray.empty() )
	{	
		return -1; 
	}
	if(imSrcGray.channels()!=1)
	{	
		return -2; 
	}
	if(!vkps.empty())
	{	
		vkps.clear(); 
	}
	//使用BRISK算法提取图像特征点
	cv::Ptr<cv::BRISK> ptrBRISK = 
		cv::BRISK::create(60, 5); //60表示FAST角点的强度值必须达到60,才有可能被认为是关键点;5表示金字塔层数
	ptrBRISK->detect(imSrcGray, vkps);
	if (vkps.size() == 0)
	{
		return -3;
	}
	else
	{
		return 1;
	}
}

(4)ORB算法提取特征点

A.What

  • 特征点方向:每个被检测的兴趣点总是关联了一个方向。在FAST的中心点的圆形区域内计算重心,中心与重心的组成的向量即为该关键电的方向。

B.How(如何使用ORB算法提取特征点)

int GetKpsByORB(const cv::Mat& imSrcGray, std::vector<cv::KeyPoint>& vkps)
{
	//对参数进行检测
	if(imSrcGray.empty() )
	{	
		return -1; 
	}
	if(imSrcGray.channels()!=1)
	{	
		return -2; 
	}
	if(!vkps.empty())
	{	
		vkps.clear(); 
	}
	//使用ORB算法对图像进行特征点提取
	cv::Ptr<cv::ORB> ptrORB = 
		cv::ORB::create(500, 1.2, 8);//500:特征点数量;1.2:金字塔的缩放尺度;8:金字塔层数
	ptrORB->detect(imSrcGray, vkps);
	if (vkps.size() == 0)
	{
		return -3;
	}
	else
	{
		return 1;
	}
}

2、描述子

(1)What

从数学的角度分析:要进行特征点的匹配,就应该考虑两个关键点的相似性,因此,如何衡量两个关键点的相似性成为了我们要考虑的首要问题

(2)How(如何衡量两个特征点相似性)

A.周围像素的特征

B.周围像素的描述子

C.基于深度学习的方法

(3)SIFT描述子实现关键点匹配

A.原理

B.How(如何得到SIFT特征点和描述子)

#include <opencv2/features2d/features2d.hpp>
int GetKpsAndDescriptorBySIFT(const cv::Mat& imSrc,
	std::vector<cv::KeyPoint>& vkps,
	cv::Mat& matDescriptor)
{
	//对输入的参数进行检查
	if (imSrc.empty())
	{
		return -1;
	}
	if (imSrc.channels() != 1)
	{
		return - 2;
	}
	if (!vkps.empty())
	{
		vkps.clear();
	}
	//提取关键点
	cv::Ptr<cv::SIFT> ptrSIFT = cv::SIFT::create(500, 3);
	ptrSIFT->detect(imSrc, vkps);
	if (vkps.size() == 0)
	{
		return -3;
	}
		//计算关键点的描述子
	ptrSIFT->compute(imSrc, vkps, matDescriptor);
	if (matDescriptor.empty())
	{
		return -4;
	}
	return 1;
}

(4)ORB描述子实现关键点匹配

A.原理

B.BRIEF算法计算描述子

  • 为减少噪声干扰,先对图像进行高斯滤波(方差为2,高斯窗口为9x9)
  • 以特征点为中心,取s×s的邻域窗口,在窗口内随机选取一对点,比较二者像素的大小,进行二进制赋值:若p(x) > p(y),则赋值为1;若p(x) ≤ p(y),则赋值为0,其中p(x)、p(y)分别是随机点x=(u1,v1)、y=(u2,v2)的像素值。
  • 在窗口中随机选取n对随机点(一般n=256),重复步骤2的二进制赋值,形成一个二进制编码,即特征描述子。

C.How(如何得到ORB特征点描述子)

int GetKpsAndDescriptorByORB(const cv::Mat& imSrc,
	std::vector<cv::KeyPoint>& vkps,
	cv::Mat& matDescriptor)
{
	//对输入的参数进行检查
	if (imSrc.empty())
	{
		return -1;
	}
	if (imSrc.channels() != 1)
	{
		return - 2;
	}
	if (!vkps.empty())
	{
		vkps.clear();
	}
		//提取ORB关键点
	cv::Ptr<cv::Feature2D> ptrORB = cv::ORB::create(500, 1.2, 8);
	ptrORB->detect(imSrc, vkps);
	if (vkps.size() == 0)
	{
		return -3;
	}
	//计算关键点的描述子
	ptrORB->compute(imSrc, vkps, matDescriptor);
	if (matDescriptor.empty())
	{
		return -4;
	}
	return 1;
}

3、图像匹配

4、图像配准

举报

相关推荐

0 条评论