若该文为原创文章，未经容许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/107348874
红瘦子 (红模拟) 的博文大全：开发技术汇合（蕴含 Qt 实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬联合等等）继续更新中…（点击传送门）
OpenCV 开发专栏（点击传送门）
上一篇：《OpenCV 开发笔记（六十六）：红瘦子 8 分钟带你总结形态学操作 - 收缩、侵蚀、开运算、闭运算、梯度、顶帽、黑帽（图文并茂 + 浅显易懂 + 程序源码）》
下一篇：继续补充中…
前言
红瘦子，来也！
后面解说了特色点，那么匹配特色点，原始图像与指标图像之间存在哪些匹配的同类型的特色点，匹配点的多少则是作为类似度的输出，达到肯定类似度则认为匹配到了。
本篇章联合 sift 特色点和暴力匹配，进行特色点匹配实现步骤原理解说。
Demo
第四个图片的匹配成果不好，想要成果好须要依据图像特点去抉择特色点提取的形式，此处次要是为了解说流程。
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/107348874
最佳特色匹配（暴力匹配）
最佳特色匹配总是尝试所有可能的匹配，从而使得它总可能找到最佳匹配，这也是 BruteForce（暴力法）的原始含意，波及到的类为 BFMatcher 类。
本篇章应用的是 Sift 特色点
概述
SIFT，即尺度不变特色变换（Scale-invariant feature transform，SIFT），是用于图像处理畛域的一种形容。这种形容具备尺度不变性，可在图像中检测出关键点，是一种部分特征描述子。
SIFT 算法特点以及 SIFT 相干函数的应用
- SIFT 特色是部分特色，其对旋转、尺度缩放、亮度变动放弃不变性，对视角变动、仿射变换、噪声也放弃肯定水平的稳定性；
- 辨别性（Distinctiveness）好，信息量丰盛，实用于在海量特色数据库中进行疾速、精确的匹配；
- 多量性，即便多数的几个物体也能够产生大量的 SIFT 特征向量；
- 高速性，经优化的 SIFT 匹配算法甚至能够达到实时的要求；
- 可扩展性，能够很不便的与其余模式的特征向量进行联结；
无关 sift、surf、orb 和应用请查看博文
针对图像场景的特点，抉择不同的特色点，列出之前特色点相干的博文：
《OpenCV 开发笔记（六十三）：红瘦子 8 分钟带你深刻理解 SIFT 特色点（图文并茂 + 浅显易懂 + 程序源码）》
《OpenCV 开发笔记（六十四）：红瘦子 8 分钟带你深刻理解 SURF 特色点（图文并茂 + 浅显易懂 + 程序源码）》
《OpenCV 开发笔记（六十五）：红瘦子 8 分钟带你深刻理解 ORB 特色点（图文并茂 + 浅显易懂 + 程序源码）》
BFMatcher 类的应用
定义
// 定义匹配器
cv::Ptr<cv::BFMatcher> pBFMatcher;
// 定义后果寄存
std::vector<cv::DMatch> listDMatch;
// 存储特色点检测器检测特色后的形容字
cv::Mat descriptor1;
cv::Mat descriptor2;特色点提取
_pSift->detectAndCompute(srcMat1, cv::Mat(), keyPoints1, descriptor1);
_pSift->detectAndCompute(srcMat1, cv::Mat(), keyPoints1, descriptor1);匹配
// bfMatcher 暴力匹配
pBFMatcher->match(descriptor1, descriptor2, listDMatch);BFMatcher 相干函数原型
static Ptr<BFMatcher> create( int normType=NORM_L2,
bool crossCheck=false ) ;- 参数一：int 类型的 normType，欧式间隔，NORM 类型中:
NORM_L1，NORM_L2，NORM_HAMMING，NORM_HAMMING 2，L1、L2 是 SIFT 和 SURF 描述符的最优选抉择;
NORM_HAMMING 应与 ORB、BRISK 和 BRIEF 搭配应用；
NORM_HAMMING2 应该与 ORB 一起应用，当 WTA_K== 3 或者 4 时。
- 参数二：bool 类型的 crossCheck，如果是 false，这将是 BFMatcher 在找到 k 时的默认行为：每个查问描述符的最近街坊。如果 crossCheck==true，则应用 k = 1 只返回对（i，j），对于第 i 个查问描述符，在匹配器的汇合是最近的，反之亦然，即 BFMatcher 只返回统一的对。当存在异样值时，这种技术通常会产生最佳后果，而离群值数量很少够了。这是 D.Lowe 在筛纸中应用的比率测试的代替办法。
void BFMatcher::match( InputArray queryDescriptors,
InputArray trainDescriptors,
std::vector<DMatch>& matches,
InputArray mask=noArray()) const;- 参数一：InputArray 类型的 queryDescriptors，查问描述符集，个别 cv::Mat，某个特征提取的描述符。
- 参数二：InputArray 类型的 trainDescriptors，训练描述符集，此处输出的应该是没有退出到类对象汇合种的（该类有训练的数据汇合），个别 cv::Mat，某个特征提取的描述符。
- 参数三：匹配匹配项。如果在掩码中屏蔽了查问描述符，则不会为此增加匹配项描述符。因而，匹配项的大小可能小于查问描述符计数。
- 参数四：指定输出查问和训练矩阵之间容许的匹配的掩码描述符。
绘制匹配关系图函数原型
- 参数一：InputArray 类型的 img1，图像 1。
- 参数二：std::vector<KeyPoint> 类型的 keypoints1，图像 1 的关键点。
- 参数三：InputArray 类型的 img2，图像 2。
- 参数四：std::vector<KeyPoint> 类型的 keypoints2，图像 2 的关键点。
- 参数五 ：std::vector<DMatch> 类型的 matchers1to2，从第一个图像匹配到第二个图像，这意味着 keypoints1[i] 在 keypoints2 中有一个对应的点[matches[i]]。
- 参数六：InputOutputArray 类型的 outImg，为空时，默认并排绘制输入图像以及连贯关键点；若不为空，则在图像上绘制关系点。
- 参数七：Scalar 类型的 matcherColor，匹配色彩匹配（线和连贯的关键点）的色彩。如果色彩为 cv::Scalar::all(-1)，则为随机色彩。
- 参数八：Scalar 类型的 singlePointColor，色彩单个关键点（圆）的色彩，这意味着关键点没有匹配到的则认是该色彩。
- 参数九：std::vector<char> 类型的 matchersMask，确定绘制的匹配我的项目，若是为空，则示意全副绘制。
- 参数十：int 类型的 flags，查看枚举 DrawMatchesFlags，如下：
Demo
void OpenCVManager::testBFMatcher()
{
QString fileName1 = "13.jpg";
int width = 400;
int height = 300;
cv::Mat srcMat = cv::imread(fileName1.toStdString());
cv::resize(srcMat, srcMat, cv::Size(width, height));
cv::String windowName = _windowTitle.toStdString();
cvui::init(windowName);
cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 3),
srcMat.type());
cv::Ptr<cv::xfeatures2d::SIFT> _pSift = cv::xfeatures2d::SiftFeatureDetector::create();
int k1x = 0;
int k1y = 0;
int k2x = 100;
int k2y = 0;
int k3x = 100;
int k3y = 100;
int k4x = 0;
int k4y = 100;
cv::Ptr<cv::BFMatcher> pBFMatcher;
pBFMatcher = cv::BFMatcher::create();
std::vector<cv::DMatch> listDMatch;
cv::Mat descriptor1;
cv::Mat descriptor2;
bool moveFlag = true; // 挪动的标记，不必每次都匹配
windowMat = cv::Scalar(0, 0, 0);
while(true)
{
cv::Mat mat;
{
std::vector<cv::KeyPoint> keyPoints1;
std::vector<cv::KeyPoint> keyPoints2;
int k1xOld = k1x;
int k1yOld = k1y;
int k2xOld = k2x;
int k2yOld = k2y;
int k3xOld = k3x;
int k3yOld = k3y;
int k4xOld = k4x;
int k4yOld = k4y;
mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
mat = cv::Scalar(0);
cvui::printf(windowMat, 0 + width * 0, 10 + height * 0, "k1x");
cvui::trackbar(windowMat, 0 + width * 0, 20 + height * 0, 165, &k1x, 0, 100);
cvui::printf(windowMat, 0 + width * 0, 70 + height * 0, "k1y");
cvui::trackbar(windowMat, 0 + width * 0, 80 + height * 0, 165, &k1y, 0, 100);
cvui::printf(windowMat, width / 2 + width * 0, 10 + height * 0, "k2x");
cvui::trackbar(windowMat, width / 2 + width * 0, 20 + height * 0, 165, &k2x, 0, 100);
cvui::printf(windowMat, width / 2 + width * 0, 70 + height * 0, "k2y");
cvui::trackbar(windowMat, width / 2 + width * 0, 80 + height * 0, 165, &k2y, 0, 100);
cvui::printf(windowMat, 0 + width * 0, 10 + height * 0 + height / 2, "k3x");
cvui::trackbar(windowMat, 0 + width * 0, 20 + height * 0 + height / 2, 165, &k3x, 0, 100);
cvui::printf(windowMat, 0 + width * 0, 70 + height * 0 + height / 2, "k3y");
cvui::trackbar(windowMat, 0 + width * 0, 80 + height * 0 + height / 2, 165, &k3y, 0, 100);
cvui::printf(windowMat, width / 2 + width * 0, 10 + height * 0 + height / 2, "k4x");
cvui::trackbar(windowMat, width / 2 + width * 0, 20 + height * 0 + height / 2, 165, &k4x, 0, 100);
cvui::printf(windowMat, width / 2 + width * 0, 70 + height * 0 + height / 2, "k4y");
cvui::trackbar(windowMat, width / 2 + width * 0, 80 + height * 0 + height / 2, 165, &k4y, 0, 100);
if( k1xOld != k1x || k1yOld != k1y
|| k2xOld != k2x || k2yOld != k2y
|| k3xOld != k3x || k3yOld != k3y
|| k4xOld != k4x || k4yOld != k4y)
{moveFlag = true;}
std::vector<cv::Point2f> srcPoints;
std::vector<cv::Point2f> dstPoints;
srcPoints.push_back(cv::Point2f(0.0f, 0.0f));
srcPoints.push_back(cv::Point2f(srcMat.cols - 1, 0.0f));
srcPoints.push_back(cv::Point2f(srcMat.cols - 1, srcMat.rows - 1));
srcPoints.push_back(cv::Point2f(0.0f, srcMat.rows - 1));
dstPoints.push_back(cv::Point2f(srcMat.cols * k1x / 100.0f, srcMat.rows * k1y / 100.0f));
dstPoints.push_back(cv::Point2f(srcMat.cols * k2x / 100.0f, srcMat.rows * k2y / 100.0f));
dstPoints.push_back(cv::Point2f(srcMat.cols * k3x / 100.0f, srcMat.rows * k3y / 100.0f));
dstPoints.push_back(cv::Point2f(srcMat.cols * k4x / 100.0f, srcMat.rows * k4y / 100.0f));
cv::Mat M = cv::getPerspectiveTransform(srcPoints, dstPoints);
cv::Mat srcMat2;
cv::warpPerspective(srcMat,
srcMat2,
M,
cv::Size(srcMat.cols, srcMat.rows),
cv::INTER_LINEAR,
cv::BORDER_CONSTANT,
cv::Scalar::all(0));
mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
cv::Range(srcMat.cols * 1, srcMat.cols * 2));
cv::addWeighted(mat, 0.0f, srcMat2, 1.0f, 0.0f, mat);
if(moveFlag)
{
moveFlag = false;
// 特色点检测
// _pSift->detect(srcMat, keyPoints1);
_pSift->detectAndCompute(srcMat, cv::Mat(), keyPoints1, descriptor1);
// 绘制特色点(关键点)
cv::Mat resultShowMat;
cv::drawKeypoints(srcMat,
keyPoints1,
resultShowMat,
cv::Scalar(0, 0, 255),
cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, resultShowMat, 1.0f, 0.0f, mat);
// 特色点检测
// _pSift->detect(srcMat2, keyPoints2);
_pSift->detectAndCompute(srcMat2, cv::Mat(), keyPoints2, descriptor2);
// 绘制特色点(关键点)
cv::Mat resultShowMat2;
cv::drawKeypoints(srcMat2,
keyPoints2,
resultShowMat2,
cv::Scalar(0, 0, 255),
cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 1, srcMat.cols * 2));
cv::addWeighted(mat, 0.0f, resultShowMat2, 1.0f, 0.0f, mat);
// bfMatcher 暴力匹配
pBFMatcher->match(descriptor1, descriptor2, listDMatch);
// drawMatch 绘制进去，并排显示了，高度一样，宽度累加（因为两个宽度雷同，所以是两倍了）cv::Mat matchesMat;
cv::drawMatches(srcMat,
keyPoints1,
srcMat2,
keyPoints2,
listDMatch,
matchesMat);
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 0, srcMat.cols * 2));
cv::addWeighted(mat, 0.0f, matchesMat, 1.0f, 0.0f, mat);
}
}
cv::imshow(windowName, windowMat);
// 更新
cvui::update();
// 显示
// esc 键退出
if(cv::waitKey(25) == 27)
{break;}
}
}工程模板：对应版本号 v1.61.0
对应版本号 v1.61.0
上一篇：《OpenCV 开发笔记（六十六）：红瘦子 8 分钟带你总结形态学操作 - 收缩、侵蚀、开运算、闭运算、梯度、顶帽、黑帽（图文并茂 + 浅显易懂 + 程序源码）》
下一篇：继续补充中…