#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include<xfeatures2d/nonfree.hpp>
#include<math.h>
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;
int main()
{
Mat a = imread("C:/Users/zhang/Desktop/77.png", 0);
Mat b = imread("C:/Users/zhang/Desktop/76.png", 0);
//////////////检测
Ptr<SURF> surf;
surf = SURF::create(800);//海塞矩阵阈值，在这里调整精度，值越大点越少，越精准
Mat c, d;
vector<KeyPoint>key1, key2;
//KeyPoint专门为特征点建立的坐标类型
//Point2f pt; //坐标
//float size; //特征点邻域直径
//float angle; //特征点的方向，值为[零,三百六十)，负值表示不使用
//int octave; //特征点所在的图像金字塔的组
//int class_id; //用于聚类的id
surf->detectAndCompute(a, Mat(), key1, c);
surf->detectAndCompute(b, Mat(), key2, d);
//detect寻找特征点的坐标
//detectAndCompute寻找特征点的坐标同时求出特征点周围的描述子向量
/////////////////匹配
FlannBasedMatcher matcher; //实例化一个FLANN快速最近领匹配器
vector<DMatch> matches;
//DMatch专门为特征点匹配建立的类型
//int queryIdx; //此匹配对应的查询图像的特征描述子索引,如1，2，3。
//int trainIdx; //此匹配对应的训练图像的特征描述子索引
//float distance; //两个特征向量之间的欧氏距离，越小表明匹配度越高。
matcher.match(c, d, matches);
//把两幅图像合成一幅图像。并且找到两幅图像相同的特征点（利用欧式距离）
//所以matchePoints保存的是两个相同特征点之间的距离，距离越小两个特征点就会相似
////////////////寻找最小特定个数的特征点匹配
sort(matches.begin(), matches.end()); //matches里面特征对的距离从小到大排序
vector< DMatch > good_matches;
int ptsPairs = std::min(50, (int)(matches.size() * 0.15));
cout << ptsPairs << endl;
for (int i = 0; i < ptsPairs; i++)
{
good_matches.push_back(matches[i]);//距离最小的50个压入新的DMatch
}
Mat outimg;
drawMatches(a, key1, b, key2, good_matches, outimg, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
//绘制匹配点
imshow("桌面", outimg);
waitKey(0);
return 0;
}
更多学习资料可关注:itheimaGZ获取 |
|
