【opencv】示例-asift.cpp 对两张图片之间进行仿射特征比对

ffde010e5d8d369c5d53747b8c02cf7e.png

7306a586d8985056a8b34a7970e25b58.png

#include <opencv2/core.hpp> // 包含OpenCV核心功能的头文件
#include <opencv2/imgproc.hpp> // 包含OpenCV图像处理功能的头文件
#include <opencv2/features2d.hpp> // 包含OpenCV特征检测相关功能的头文件
#include <opencv2/highgui.hpp> // 包含OpenCV的GUI功能,如窗口显示的头文件
#include <opencv2/calib3d.hpp> // 包含OpenCV进行相机标定和三维重建功能的头文件
#include <iostream> // 包含标准输入输出流库的头文件
#include <iomanip> // 包含输入输出流格式设置的头文件using namespace std; // 使用标准命名空间
using namespace cv; // 使用OpenCV命名空间// 声明帮助函数,该函数会输出使用本程序的方式
static void help(char** argv)
{cout<< "This is a sample usage of AffineFeature detector/extractor.\n"<< "And this is a C++ version of samples/python/asift.py\n"<< "Usage: " << argv[0] << "\n"// 以下是该程序的参数说明<< "     [ --feature=<sift|orb|brisk> ]         # Feature to use.\n"<< "     [ --flann ]                            # use Flann-based matcher instead of bruteforce.\n"<< "     [ --maxlines=<number(50 as default)> ] # The maximum number of lines in visualizing the matching result.\n"<< "     [ --image1=<image1(aero1.jpg as default)> ]\n"<< "     [ --image2=<image2(aero3.jpg as default)> ] # Path to images to compare."<< endl;
}// 声明计时器函数,用于计算操作的耗时
static double timer()
{return getTickCount() / getTickFrequency();
}// 程序的主函数,argc是参数数量,argv是参数列表
int main(int argc, char** argv)
{vector<String> fileName; // 存储文件名的字符串向量// 使用OpenCV的命令行解析器解析输入的命令行参数cv::CommandLineParser parser(argc, argv,"{help h ||}""{feature|brisk|}""{flann||}""{maxlines|50|}""{image1|aero1.jpg|}{image2|aero3.jpg|}");// 如果用户请求帮助,调用help函数并退出程序if (parser.has("help")){help(argv);return 0;}// 从解析器中获取输入的参数string feature = parser.get<string>("feature");bool useFlann = parser.has("flann");int maxlines = parser.get<int>("maxlines");// 查找并存储输入的图像文件路径fileName.push_back(samples::findFile(parser.get<string>("image1")));fileName.push_back(samples::findFile(parser.get<string>("image2")));// 检查参数是否有误if (!parser.check()){parser.printErrors();cout << "See --help (or missing '=' between argument name and value?)" << endl;return 1;}// 读取图像,并将其转换为灰度图Mat img1 = imread(fileName[0], IMREAD_GRAYSCALE);Mat img2 = imread(fileName[1], IMREAD_GRAYSCALE);// 确保图像成功加载if (img1.empty()){cerr << "Image " << fileName[0] << " is empty or cannot be found" << endl;return 1;}if (img2.empty()){cerr << "Image " << fileName[1] << " is empty or cannot be found" << endl;return 1;}// 声明特征检测器和描述符匹配器的指针Ptr<Feature2D> backend;Ptr<DescriptorMatcher> matcher;// 根据用户选择初始化特征检测器和匹配器if (feature == "sift"){backend = SIFT::create();if (useFlann)matcher = DescriptorMatcher::create("FlannBased");elsematcher = DescriptorMatcher::create("BruteForce");}else if (feature == "orb"){backend = ORB::create();if (useFlann)matcher = makePtr<FlannBasedMatcher>(makePtr<flann::LshIndexParams>(6, 12, 1));elsematcher = DescriptorMatcher::create("BruteForce-Hamming");}else if (feature == "brisk"){backend = BRISK::create();if (useFlann)matcher = makePtr<FlannBasedMatcher>(makePtr<flann::LshIndexParams>(6, 12, 1));elsematcher = DescriptorMatcher::create("BruteForce-Hamming");}else{cerr << feature << " is not supported. See --help" << endl;return 1;}// 提取特征点和描述符,并进行匹配cout << "extracting with " << feature << "..." << endl;Ptr<AffineFeature> ext = AffineFeature::create(backend);vector<KeyPoint> kp1, kp2;Mat desc1, desc2;ext->detectAndCompute(img1, Mat(), kp1, desc1);ext->detectAndCompute(img2, Mat(), kp2, desc2);cout << "img1 - " << kp1.size() << " features, "<< "img2 - " << kp2.size() << " features"<< endl;cout << "matching with " << (useFlann ? "flann" : "bruteforce") << "..." << endl;double start = timer(); // 开始计时// 匹配特征点,并筛选出好的匹配vector< vector<DMatch> > rawMatches;vector<Point2f> p1, p2;vector<float> distances;matcher->knnMatch(desc1, desc2, rawMatches, 2);// 筛选出好的匹配点for (size_t i = 0; i < rawMatches.size(); i++){const vector<DMatch>& m = rawMatches[i];if (m.size() == 2 && m[0].distance < m[1].distance * 0.75){p1.push_back(kp1[m[0].queryIdx].pt);p2.push_back(kp2[m[0].trainIdx].pt);distances.push_back(m[0].distance);}}// 利用单应性计算匹配点对的状态vector<uchar> status; // 创建一个uchar类型的向量status,用来存储每对匹配点是否是内点的状态vector< pair<Point2f, Point2f> > pointPairs; // 创建一个存储匹配点对(两个图像中匹配的点)的vectorMat H = findHomography(p1, p2, status, RANSAC); // 利用RANSAC算法计算从图像1到图像2的单应性矩阵Hint inliers = 0; // 初始化内点数量计数器// 遍历status向量,统计内点数量并存储这些点对for (size_t i = 0; i < status.size(); i++){// 如果status向量中的元素为true,则表示该匹配点对是内点if (status[i]){pointPairs.push_back(make_pair(p1[i], p2[i])); // 将内点对添加到pointPairs向量中distances[inliers] = distances[i]; // 将对应内点的距离存储到distances向量中// CV_Assert(inliers <= (int)i); // 断言inliers的值应小于等于当前索引,通常用于调试inliers++; // 内点数量加一}}distances.resize(inliers); // 重新调整distances向量的大小以匹配内点的数量// 输出执行时间cout << "execution time: " << fixed << setprecision(2) << (timer()-start)*1000 << " ms" << endl;// 输出内点与匹配点对的比例cout << inliers << " / " << status.size() << " inliers/matched" << endl;// 可视化匹配结果前的准备工作cout << "visualizing..." << endl;vector<int> indices(inliers); // 创建一个大小等于内点数量的整数型向量indices,用于存储排序后的索引// 将distances向量中元素的索引按照距离从小到大排序并存入indices向量cv::sortIdx(distances, indices, SORT_EVERY_ROW+SORT_ASCENDING);// 创建可视化图像并绘制匹配的特征点int h1 = img1.size().height;int w1 = img1.size().width;int h2 = img2.size().height;int w2 = img2.size().width;Mat vis = Mat::zeros(max(h1, h2), w1+w2, CV_8U);img1.copyTo(Mat(vis, Rect(0, 0, w1, h1)));img2.copyTo(Mat(vis, Rect(w1, 0, w2, h2)));cvtColor(vis, vis, COLOR_GRAY2BGR);vector<Point2f> corners(4);corners[0] = Point2f(0, 0);corners[1] = Point2f((float)w1, 0);corners[2] = Point2f((float)w1, (float)h1);corners[3] = Point2f(0, (float)h1);vector<Point2i> icorners;perspectiveTransform(corners, corners, H); // 对图像1的四个角进行单应性变换transform(corners, corners, Matx23f(1,0,(float)w1,0,1,0)); // 将变换后的角点移到图像2的右侧Mat(corners).convertTo(icorners, CV_32S); // 将角落点的类型转化为整数polylines(vis, icorners, true, Scalar(255,255,255)); // 在可视化图像中绘制边界线// 绘制前maxlines个的匹配对for (int i = 0; i < min(inliers, maxlines); i++){int idx = indices[i];const Point2f& pi1 = pointPairs[idx].first;const Point2f& pi2 = pointPairs[idx].second;circle(vis, pi1, 2, Scalar(0,255,0), -1); // 绘制圆点circle(vis, pi2 + Point2f((float)w1,0), 2, Scalar(0,255,0), -1); // 在图像2相应的位置绘制圆点line(vis, pi1, pi2 + Point2f((float)w1,0), Scalar(0,255,0)); // 绘制连线}if (inliers > maxlines)cout << "only " << maxlines << " inliers are visualized" << endl;imshow("affine find_obj", vis); // 显示最终的可视化结果窗口// 当存在更多的匹配时,输出提示信息// Mat vis2 = Mat::zeros(max(h1, h2), w1+w2, CV_8U); // 创建另一个可视化用的空白图像// Mat warp1; // 存储变换后图像的矩阵// warpPerspective(img1, warp1, H, Size(w1, h1)); // 对图像1应用单应性变换// warp1.copyTo(Mat(vis2, Rect(0, 0, w1, h1))); // 将变换后的图像1复制到可视化图像的左半边// img2.copyTo(Mat(vis2, Rect(w1, 0, w2, h2))); // 将图像2复制到可视化图像的右半边// imshow("warped", vis2); // 显示变换后图像与图像2的对比窗口waitKey(); // 等待任意键按下cout << "done" << endl; // 输出完成提示return 0; // 程序结束
}

此段C++代码的主要功能是载入两张图像,通过OpenCV库进行特征点检测和匹配,然后通过单应性变换计算两图像之间的匹配关系,并将匹配结果可视化显示出来。用户可以指定不同的特征检测算法(如SIFT、ORB、BRISK等)以及是否使用FLANN库进行近似最邻近搜索而不是暴力匹配。代码结束时还会显示执行时间和匹配对的数量。

终端输出:

img1 - 39607 features, img2 - 24674 features
matching with bruteforce...
execution time: 35513.65 ms
41 / 105 inliers/matched
visualizing...

Ptr<AffineFeature> ext = AffineFeature::create(backend);

4ca2e08198e7ea9eee447b87043f3a19.png

Mat H = findHomography(p1, p2, status, RANSAC);

685a67c444636176a512ab30f8cc05bb.png

2b0f108afb23babef5cea0de1a4e7823.png

仿射特征匹配有哪些应用场景

17122b21c5fca6eac63ed99b0d01660c.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/796284.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

关于阿里云云数据库自动扩缩容和自动SQL优化的20道面试题

1. 请解释阿里云云数据库自动扩缩容的概念及其工作原理。 阿里云云数据库自动扩缩容是一种基于数据库实例的实时性能数据&#xff0c;能够发现流量异常并提供合理的数据库规格建议和磁盘容量建议的功能。其工作原理如下&#xff1a; 性能监控&#xff1a;系统会实时监控数据库…

Java线程亲和实战

环境&#xff1a;Linux version 5.4.0-1084-aws (builddlcy02-amd64-044) (gcc version 7.5.0 (Ubuntu 7.5.0-3ubuntu1~18.04)) #91~18.04.1-Ubuntu SMP Sun Aug 14 01:24:43 UTC 2022 JDK: 1.8.0_241 CPU分配是如何工作的&#xff1f; 如果您有或提供了一个&#xff0c;该库…

sqlmap(五)

一、进行文件读写操作 1.1 前提条件 高权限 目录有读写权限 secure_file_priv " " 1.2 测试目标 第一步&#xff1a;用抓包的方式获取请求测试站点的数据包 可以使用Burpsuite 第二步&#xff1a;将抓到的数据包&#xff0c;保存到sqlmap目录下的a.txt 第三步&am…

FPGA和ARM学习那个比较好

FPGA和ARM是两种不同的技术&#xff0c;具有不同的应用领域和学习难度。以下是对两者进行比较的一些建议&#xff1a; 1. 应用领域&#xff1a;FPGA主要用于数字电路设计和硬件加速器开发&#xff0c;可在实时系统、信号处理、嵌入式系统等方面发挥重要作用。ARM则是一种处理器…

C++的vector类(二):vector类的实际OJ应用

1、只出现一次的数字 2、杨辉三角 3、删除有序数组中的重复项 4、只出现一次的数字 II 5、只出现一次的数字 III 6、数组中出现次数超过一半的数字 7、电话号码的字母组合 ~over~

从FasterTransformer源码解读开始了解大模型(1.1)一个decoder-only的模型长啥样

从FasterTransformer源码解读开始了解大模型&#xff08;1.1&#xff09;一个decoder-only的模型长啥样 写在前面的话 对于一个没有接触过LLM的初学者来说&#xff0c;如果想要了解一个大模型的推理框架&#xff0c;首先应该知道大模型整个的工作原理是怎样的&#xff0c;知道…

了解自动化机器学习 AutoML

&#x1f349; CSDN 叶庭云&#xff1a;https://yetingyun.blog.csdn.net/ 自动化机器学习&#xff08;AutoML&#xff09;概述 自动化机器学习&#xff08;AutoML&#xff09;旨在自动化机器学习模型的开发流程&#xff0c;通过简化或去除需要专业知识的复杂步骤&#xff0c;…

CSS面试题常用知识总结day03

大家好我是没钱的君子下流坯&#xff0c;用自己的话解释自己的知识 前端行业下坡路&#xff0c;甚至可说前端已死&#xff0c;我还想在前段行业在干下去&#xff0c;所以从新开始储备自己的知识。 从CSS——>Javascript——>VUE2——>Vuex、VueRouter、webpack——>…

Stale Diffusion、Drag Your Noise、PhysReaction、CityGaussian

本文首发于公众号&#xff1a;机器感知 Stale Diffusion、Drag Your Noise、PhysReaction、CityGaussian Drag Your Noise: Interactive Point-based Editing via Diffusion Semantic Propagation Point-based interactive editing serves as an essential tool to compleme…

vite打包失败 - out of memory

在做项目时&#xff0c;随着需求的不断增加&#xff0c;我们的代码文件会越来越大&#xff0c;但是在打包时&#xff0c;在 Node 中通过 JavaScript 使用内存的大小却是有限制的。于是&#xff0c;今天打算部署代码时&#xff0c;报错了: <--- JS stacktrace ---> JS st…

Nuxt 3 项目中配置 Tailwind CSS

官方文档&#xff1a;https://www.tailwindcss.cn/docs/guides/nuxtjs#standard 安装 Tailwind CSS 及其相关依赖 执行如下命令&#xff0c;在 Nuxt 项目中安装 Tailwind CSS 及其相关依赖 npm install -D tailwindcss postcss autoprefixerpnpm install -D tailwindcss post…

VUE必知必会

一、简介 Vue.js是一个流行的JavaScript框架&#xff0c;用于构建用户界面和单页应用程序&#xff08;SPA&#xff09;。自2014年由前Google工程师尤雨溪发布以来&#xff0c;Vue迅速获得了广泛的关注和使用&#xff0c;特别是在前端开发领域。 核心特性 响应式数据绑定&#…

【cpp】快速排序优化

标题&#xff1a;【cpp】快速排序 水墨不写bug 正文开始&#xff1a; 快速排序的局限性&#xff1a; 虽然快速排序是一种高效的排序算法&#xff0c;但也存在一些局限性&#xff1a; 最坏情况下的时间复杂度&#xff1a;如果选择的基准元素不合适&#xff0c;或者数组中存在大…

vue基本写法

<p style"margin-left:.0001pt;text-align:justify;">Vue.js 是一种流行的 JavaScript 框架&#xff0c;用于构建用户界面。下面是 Vue.js 的一些标准写法和最佳实践:</p> 1. Vue 实例&#xff1a; 创建 Vue 实例时&#xff0c;可以指定一些选项来定义应…

Netty 3 - 组件和设计

这里将回顾我们之前章节讲到过的主要概念和组件。 1 Channel 、EventLoop和ChannelFuture Channel —— Socket;EventLoop —— 控制流、多线程处理、并发;ChannelFuture —— 异步通知。 1.1 Channel 接口 基本的I/O操作&#xff08;bind()、connect()、read()和write()&a…

【嵌入式开发 Linux 常用命令系列 4.3 -- git add 不 add untracked file】

请阅读【嵌入式开发学习必备专栏 】 文章目录 git add 不add untracked file git add 不add untracked file 如果你想要Git在执行git add .时不添加未跟踪的文件&#xff08;untracked files&#xff09;&#xff0c;你可以使用以下命令&#xff1a; git add -u这个命令只会加…

boost共享内存使用(3)managed_shared_memory共享内存分配器

文章目录 概述使用示例 概述 Boost.Interprocess提供了一些基本的类来创建共享内存对象和文件映射&#xff0c;并将这些可映射的类映射到进程的地址空间中。 然而&#xff0c;管理这些内存段对于非平凡的任务来说并不容易。一个映射区域是一个固定长度的内存缓冲区&#xff0…

免注册,ChatGPT可即时访问了!

AI又有啥进展&#xff1f;一起看看吧 Apple进军个人家用机器人 Apple在放弃自动驾驶汽车项目并推出混合现实头显后&#xff0c;正在进军个人机器人领域&#xff0c;处于开发家用环境机器人的早期阶段 报告中提到了两种可能的机器人设计。一种是移动机器人&#xff0c;可以跟…

鸿蒙OS元服务开发:【(Stage模型)学习窗口沉浸式能力】

一、体验窗口沉浸式能力说明 在看视频、玩游戏等场景下&#xff0c;用户往往希望隐藏状态栏、导航栏等不必要的系统窗口&#xff0c;从而获得更佳的沉浸式体验。此时可以借助窗口沉浸式能力&#xff08;窗口沉浸式能力都是针对应用主窗口而言的&#xff09;&#xff0c;达到预…

二叉堆解读

在数据结构和算法中&#xff0c;二叉堆是一种非常重要的数据结构&#xff0c;它被广泛用于实现优先队列、堆排序等场景。本文将介绍二叉堆的基本概念、性质、操作以及应用场景。 一、基本概念 二叉堆是一种特殊的完全二叉树&#xff0c;它满足堆性质&#xff1a;对于每个节点…