【opencv】教程代码 —xfeatures2D 使用LATCH算法提取特征描述子的图像特征匹配程序...

LATCH_match.cpp

这段代码是使用C++以及OpenCV库来实现图像特征匹配的程序。它主要包括了使用ORB算法检测关键点并使用LATCH算法提取特征描述子 的步骤，之后使用暴力匹配方法（Brute-Force Matching）和比率测试来筛选出好的匹配点 ，最后计算匹配点对单应性矩阵（homography）的内点并绘制匹配结果，同时统计并输出关键点数量、匹配点数量、内点数量及内点比例等信息。如果OpenCV没有编译xfeatures2d模块，程序将输出错误信息。

result

cpp 复制代码

#include <iostream>  // 包含输入输出流库


#include "opencv2/opencv_modules.hpp"  // 包含OpenCV模块头文件


#ifdef HAVE_OPENCV_XFEATURES2D  // 如果定义了HAVE_OPENCV_XFEATURES2D，表示opencv库包含xfeatures2d模块


#include <opencv2/core.hpp>  // 包含OpenCV核心功能的头文件
#include <opencv2/imgproc.hpp>  // 包含图像处理相关函数的头文件
#include <opencv2/highgui.hpp>  // 包含图形界面功能的头文件
#include <opencv2/features2d.hpp>  // 包含特征点检测和描述子提取功能的头文件
#include <opencv2/xfeatures2d.hpp>  // 包含扩展特征点算法的头文件，如SIFT和SURF
#include <opencv2/imgcodecs.hpp>  // 包含图像读写的功能头文件
#include <vector>  // 包含向量容器类的头文件


// 如果你发现这份代码有用，请在你的工作中加入下面这篇论文的引用：
// Gil Levi and Tal Hassner, "LATCH: Learned Arrangements of Three Patch Codes", arXiv preprint arXiv:1501.03719, 15 Jan. 2015


using namespace std;  // 使用标准命名空间
using namespace cv;  // 使用OpenCV命名空间


const float inlier_threshold = 2.5f; // 内点距离阈值
const float nn_match_ratio = 0.8f;   // 最近邻匹配比


int main(int argc, char* argv[])
{
    CommandLineParser parser(argc, argv,
                             "{@img1 | graf1.png | input image 1}"
                             "{@img2 | graf3.png | input image 2}"
                             "{@homography | H1to3p.xml | homography matrix}");
    // 解析命令行参数
    Mat img1 = imread( samples::findFile( parser.get<String>("@img1") ), IMREAD_GRAYSCALE);
    // 读取图像1，转为灰度图
    Mat img2 = imread( samples::findFile( parser.get<String>("@img2") ), IMREAD_GRAYSCALE);
    // 读取图像2，转为灰度图


    Mat homography;
    // 创建矩阵用于存储单应性变换矩阵
    FileStorage fs( samples::findFile( parser.get<String>("@homography") ), FileStorage::READ);
    // 打开文件存储器，读取单应性矩阵
    fs.getFirstTopLevelNode() >> homography;
    // 从文件中读取单应性矩阵


    vector<KeyPoint> kpts1, kpts2;  // 定义存储关键点的向量
    Mat desc1, desc2;  // 定义存储描述子的矩阵


    Ptr<cv::ORB> orb_detector = cv::ORB::create(10000);  // 创建一个ORB特征检测器


    Ptr<xfeatures2d::LATCH> latch = xfeatures2d::LATCH::create();  // 创建一个LATCH描述子提取器




    orb_detector->detect(img1, kpts1);  // 检测图像1的关键点
    latch->compute(img1, kpts1, desc1);  // 计算图像1的描述子


    orb_detector->detect(img2, kpts2);  // 检测图像2的关键点
    latch->compute(img2, kpts2, desc2);  // 计算图像2的描述子


    BFMatcher matcher(NORM_HAMMING);  // 创建汉明距离的Brute-Force匹配器
    vector< vector<DMatch> > nn_matches;  // 匹配结果
    matcher.knnMatch(desc1, desc2, nn_matches, 2);  // 对图像1和图像2的描述子进行K近邻匹配


    vector<KeyPoint> matched1, matched2, inliers1, inliers2;  // 匹配点和内点
    vector<DMatch> good_matches;  // 好的匹配
    for (size_t i = 0; i < nn_matches.size(); i++) {  // 遍历所有匹配
        DMatch first = nn_matches[i][0];  // 第一个匹配
        float dist1 = nn_matches[i][0].distance;  // 第一个匹配的距离
        float dist2 = nn_matches[i][1].distance;  // 第二个匹配的距离


        if (dist1 < nn_match_ratio * dist2) {  // 如果距离小于设定的比例阈值
            matched1.push_back(kpts1[first.queryIdx]);  // 添加到匹配点1
            matched2.push_back(kpts2[first.trainIdx]);  // 添加到匹配点2
        }
    }


    for (unsigned i = 0; i < matched1.size(); i++) {  // 计算内点
        Mat col = Mat::ones(3, 1, CV_64F);  // 创建均为1的3x1矩阵
        col.at<double>(0) = matched1[i].pt.x;  // 设置x坐标
        col.at<double>(1) = matched1[i].pt.y;  // 设置y坐标


        col = homography * col;  // 应用单应性变换
        col /= col.at<double>(2);  // 归一化
        double dist = sqrt(pow(col.at<double>(0) - matched2[i].pt.x, 2) +
            pow(col.at<double>(1) - matched2[i].pt.y, 2));  // 计算变换后的距离


        if (dist < inlier_threshold) {  // 如果距离小于阈值
            int new_i = static_cast<int>(inliers1.size());  // 新的索引
            inliers1.push_back(matched1[i]);  // 添加到内点1
            inliers2.push_back(matched2[i]);  // 添加到内点2
            good_matches.push_back(DMatch(new_i, new_i, 0));  // 添加到好的匹配
        }
    }


    Mat res;  // 结果图像
    drawMatches(img1, inliers1, img2, inliers2, good_matches, res);  // 绘制匹配结果
    imwrite("latch_result.png", res);  // 保存结果图像




    double inlier_ratio = inliers1.size() * 1.0 / matched1.size();  // 计算内点比例
    cout << "LATCH Matching Results" << endl;  // 输出匹配结果
    cout << "*******************************" << endl;  // 输出分割线
    cout << "# Keypoints 1:                        \t" << kpts1.size() << endl;  // 输出图像1的关键点数量
    cout << "# Keypoints 2:                        \t" << kpts2.size() << endl;  // 输出图像2的关键点数量
    cout << "# Matches:                            \t" << matched1.size() << endl;  // 输出匹配点数量
    cout << "# Inliers:                            \t" << inliers1.size() << endl;  // 输出内点数量
    cout << "# Inliers Ratio:                      \t" << inlier_ratio << endl;  // 输出内点比例
    cout << endl;


    imshow("result", res);  // 显示结果图像
    waitKey();  // 等待用户按键


    return 0;
}


#else
int main()
{
    std::cerr << "OpenCV was built without xfeatures2d module" << std::endl;
    // 如果没有定义HAVE_OPENCV_XFEATURES2D，则输出错误信息
    return 0;
}


#endif

终端输出：

markdown 复制代码

LATCH Matching Results
*******************************
# Keypoints 1:                          9105
# Keypoints 2:                          9927
# Matches:                              144
# Inliers:                              81
# Inliers Ratio:                        0.5625