OpenCV图像拼接(3)图像拼接的类cv::detail::BestOf2NearestMatcher

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

特征匹配器,为每个特征找到两个最佳匹配,并且仅在描述符距离之间的比率大于阈值 match_conf 时保留最佳的一个。

cv::detail::BestOf2NearestMatcher 是 OpenCV 库中用于图像拼接的一个类,特别适用于全景图生成过程中特征匹配的环节。它通过寻找最佳的两个最近邻匹配来提高匹配准确性,从而确定不同图像之间的对应关系。下面是对这个类的一些基本介绍和使用说明。

主要功能

  • 两近邻匹配:该类实现了基于最佳两近邻距离比测试的方法来进行特征匹配。这种方法假设正确的匹配通常是第一个最邻近且显著不同于第二个最邻近的点。

常用成员函数

  • match():执行特征点描述符之间的匹配。注意,这个方法在较新的OpenCV版本中可能是保护成员,因此需要通过实例化对象后直接调用(例如使用 operator())或者继承此类来访问。
  • collectGarbage():清理内部存储以释放内存。

代码示例

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <opencv2/stitching/detail/matchers.hpp>

using namespace cv;
using namespace cv::detail;

void drawMatchingResult(const Mat& img1, const Mat& img2, const std::vector<KeyPoint>& keypoints1,
                        const std::vector<KeyPoint>& keypoints2, const std::vector<DMatch>& matches)
{
    // 创建一个输出图像来展示两张图片和它们之间的匹配
    Mat outputImg;
    drawMatches(img1, keypoints1, img2, keypoints2, matches, outputImg,
                Scalar::all(-1), Scalar::all(-1), std::vector<char>(),
                DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

    // 显示匹配结果
    imshow("Feature Matches", outputImg);
    waitKey(0);
}

int main()
{
    // 读取两张待匹配的图片
    Mat img1 = imread("/media/dingxin/data/study/OpenCV/sources/images/stich1.png");
    Mat img2 = imread("/media/dingxin/data/study/OpenCV/sources/images/stich2.png");

    if (img1.empty() || img2.empty())
    {
        std::cerr << "Could not open or find the images!" << std::endl;
        return -1;
    }

    // 初始化ORB特征检测器
    Ptr<Feature2D> feature_detector = ORB::create();

    // 检测特征点并计算描述符
    std::vector<KeyPoint> keypoints1, keypoints2;
    Mat descriptors1, descriptors2;
    feature_detector->detectAndCompute(img1, noArray(), keypoints1, descriptors1);
    feature_detector->detectAndCompute(img2, noArray(), keypoints2, descriptors2);

    // 创建ImageFeatures对象并将特征点和描述符填入
    ImageFeatures features1, features2;
    features1.img_idx = 0; // 图片索引
    features1.keypoints = keypoints1;
    features1.descriptors = descriptors1.getUMat(ACCESS_READ); // 使用getUMat方法转换

    features2.img_idx = 1; // 图片索引
    features2.keypoints = keypoints2;
    features2.descriptors = descriptors2.getUMat(ACCESS_READ); // 使用getUMat方法转换

    // 创建BestOf2NearestMatcher实例
    Ptr<BestOf2NearestMatcher> matcher = BestOf2NearestMatcher::create();

    // 使用()运算符来进行匹配
    MatchesInfo matches_info;
    (*matcher)(features1, features2, matches_info);

    // 输出匹配结果的数量
    std::cout << "Found " << matches_info.matches.size() << " matches" << std::endl;

    // 将MatchesInfo中的matches转换为std::vector<DMatch>类型,以便于绘制
    std::vector<DMatch> matches_vector(matches_info.matches.begin(), matches_info.matches.end());

    // 绘制匹配结果
    drawMatchingResult(img1, img2, keypoints1, keypoints2, matches_vector);

    return 0;
}

运行结果

相关推荐
Mickey Q3 分钟前
【深度学习】数值稳定性和模型初始化
人工智能·深度学习
冬奇Lab10 分钟前
Code Agent 解剖(20):从零扩展——给 agent 加一个新工具
人工智能·开源
论文复现现场12 分钟前
RTX 4090 24GB 能跑 Qwen3.8-27B 吗?单卡显存计算与云端部署指南
人工智能·python·云计算·llama·gpu算力
七牛云行业应用13 分钟前
Harness Engineering 是什么:从“写提示词“到“设计 Agent 边界“的工程方法论
人工智能·agent·ai编程
科技拓维者20 分钟前
短视频配音音效去哪里找比较好?短视频创作者音效指南
人工智能·音视频
cjy00011124 分钟前
2026AI 产品如何从一次性 Demo 变成可重复使用的业务工具?
前端·人工智能·fde
大模型码小白28 分钟前
AI大模型接入SDK:人工智能核心概念与发展史
大数据·运维·人工智能·安全·prompt
杀生丸学AI29 分钟前
【动态重建】Flow4DGS-SLAM:基于光流引导的4DGS-SLAM算法
人工智能·三维重建·扩散模型·4dgs·动态重建
IT_陈寒30 分钟前
React的状态更新坑得我差点加班到天亮
前端·人工智能·后端
腾视科技-AI33 分钟前
腾视科技TS-NV-P200车载系列AI边缘算力盒子:引领车路协同新时代,赋能多元场景应用
人工智能·科技·ai·ai算力·ai边缘算力盒子·腾视科技·ai算力盒