akaze特征匹配怎么去掉不合适的点_OpenCV其他特征点检测

0d64cc36285ec91f3dd5c14d1a6d499c.png

特征点检测和描述算法的应用比较广泛。在OpenCV中,除了SIFT和SURF之外,还有一些特征点检测算法和特征点描述算子。如ORB、BRISK、FREAK、BRIEF、MSER、FAST、KAZE、AKAZE等。这些算法在opencv里的调用方式基本上都是一样的。

在这些算法中,BRIEF、FREAK属于特征点描述算子,其他的一般都是检测特征点和描述特征点一起的。SIFT和SURF的特征点描述方法比较复杂,虽然其描述算子比较稳定,但是也让时间复杂度比较高。BRIEF提出了一种二进制串的描述方法。BRIEF算法在特征点的邻域内根据高斯分布选择了一些点对,比如256对点,然后两两比较这些点对之间的大小,大的记为1,小的记为0,由此得到一个256位的二进制串,用这个二进制串来描述特征点。在进行特征点匹配的时候,通过计算特征点与特征点的256位二进制串的汉明距离来确定是否是匹配的点。汉明距离的概念其实很简单,就是计算两个字符串中对应位置号不同字符的个数。采用二进制串来描述特征点,则汉明距离就更加简单了,可以通过二进制串的位操作实现,速度非常快。

BRIEF算法的描述方式不具有旋转不变性,但是对于没有旋转的时候,匹配效果还是非常好的,关键是该方法的速度极快。所以,之后出现的特征点描述方法一般都采用二进制串来描述。ORB算法是在BRIEF算法上的改进。ORB算法改进的地方主要是让其具有旋转不变性,也就是在图像有旋转的情况下也可以匹配。

其他的特征点检测很描述算子在这里就不一一介绍原理了。有兴趣的可以查阅相关的文献。如果对这方面的研究比较感兴趣,相信写几篇论文还是没有问题的。对于应用而言,只要能用起来,也就可以了。注意一下,对于特征点描述算子,如BRIEF,需要先使用其他的特征点检测算法找出特征点,然后再进行描述算子的计算和匹配。总结一下这些特征点检测算子的使用方法。首先创建一个检测方法;然后进行特征点检测,这时候如果要在图像上看检测出来的点,可以进行特征点绘制;再次,进行特征点描述算子的计算,得到描述算子;最后,根据描述算子计算两幅图像的匹配点。如果所有点都进行匹配,会有一些错误的匹配点,而且,匹配的时间比较久。因此,一般选择匹配比较好的前面50或100个点进行匹配。具体选择多少点进行匹配与图像有关,这就要根据实际图像来确定了。下面看一下具体实现代码。这里的代码只是示意怎么使用这些特征点检测和描述算法,没有全部完成,有兴趣的可以自己去试一下每一个特征点检测和描述算子的使用效果。

#include <iostream>
#include <stdio.h>
#include "opencv2/core.hpp"
#include "opencv2/core/utility.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include <features2d/features2d.hpp>
#include "opencv2/imgproc.hpp"
#include"opencv2/flann.hpp"
#include"opencv2/xfeatures2d.hpp"
 
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;
 
int main(int argc, char** argv)
{
 Mat src1, src2;
 src1 = imread("E: img1.ppm", 1);
 src2 = imread("E: img2.ppm", 1);
 vector<KeyPoint> keyPoint1, keyPoint2;
 //特征点检测算子
 Ptr<Feature2D> orb = ORB::create();
 orb->detect(src1, keyPoint1);
 orb->detect(src2, keyPoint2);
<Feature2D> fast = FastFeatureDetector::create(600);
 fast->detect(src1, keyPoint1);
 fast->detect(src2, keyPoint2);
Ptr<Feature2D> brisk = BRISK::create(100);
 brisk->detect(src1, keyPoint1);
 brisk->detect(src2, keyPoint2);
Ptr<Feature2D> mser = MSER::create();
 mser->detect(src1, keyPoint1);
 mser->detect(src2, keyPoint2);
Ptr<Feature2D> msd = MSDDetector::create();
 msd->detect(src1, keyPoint1);
 msd->detect(src2, keyPoint2);
Ptr<Feature2D> kaze = KAZE::create();
 kaze->detect(src1, keyPoint1);
 kaze->detect(src2, keyPoint2);
Ptr<Feature2D> akaze = AKAZE::create();
 akaze->detect(src1, keyPoint1);
 akaze->detect(src2, keyPoint2);
Ptr<Feature2D> agast = AgastFeatureDetector::create();
 agast->detect(src1, keyPoint1);
 agast->detect(src2, keyPoint2);
Ptr<Feature2D> gftt = GFTTDetector::create();
 gftt->detect(src1, keyPoint1);
 gftt->detect(src2, keyPoint2);
 
 //特征点描述算子
 Ptr<Feature2D> freak = FREAK::create();
 Ptr<Feature2D> brief = BriefDescriptorExtractor::create();
 //绘制特征点
 Mat result1, result2;
 drawKeypoints(src1, keyPoint1, result1, Scalar(0, 0, 255), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//画出特征点
 namedWindow("src1特征点", 0);
 imshow("src1特征点", result1);
 drawKeypoints(src2, keyPoint2, result2, Scalar(0, 0, 255), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);//画出特征点
 namedWindow("src2特征点", 0);
 imshow("src2特征点", result2);
 //计算描述算子,可以试一下其他的描述算子
 Mat descriptors_1, descriptors_2;
 orb->compute(src1, keyPoint1, descriptors_1);
 orb->compute(src2, keyPoint2, descriptors_2);
 //计算匹配
 BFMatcher matcher;
 vector<DMatch> matches;
 matcher.match(descriptors_1, descriptors_2, matches);
 //绘制匹配结果
 Mat img_matches;
 drawMatches(src1, keyPoint1, src2, keyPoint2, matches, img_matches, Scalar(0, 0, 255), Scalar(0, 0, 255));
 namedWindow("match1", 0);
 imshow("match1", img_matches);
 
 //提取出前最佳匹配结果
 nth_element(matches.begin(), matches.begin() + 50, matches.end());
 //剔除掉其余的匹配结果
 matches.erase(matches.begin() + 50, matches.end());
 Mat img_matches2;
 drawMatches(src1, keyPoint1, src2, keyPoint2, matches, img_matches2, Scalar(0, 0, 255), Scalar(0, 0, 255));
 namedWindow("match2", 0);
 imshow("match2", img_matches2);
 
 waitKey(0);
 return 0;
}

下面的图示部分特征点检测算法匹配结果。

f189800f3e8e576adfa06ad695d89693.png
图1 orb匹配结果

992b2a408eb50391915591ecc93faf65.png
图2 BRISK匹配结果

e02857988c5320ad2a600485644d2c4c.png
图3 FAST检测特征点FREAK匹配

072595838a2175451a68c1d680856ac0.png
图4 FAST检测特征点,BRIEF匹配

617b198710512585ef2d37d4dd38b6d8.png
图5 MSER检测特征点,BRIEF匹配
OpenCV(四十六):特征点匹配 特征点匹配是一种在两幅图像中寻找相互对应的特征点,并建立它们之间的对应关系的过程。具体而言,首先通过特征检测算法在两幅图像中寻找相互对应的特征点,然后,对于每个特征点,通过描述子提取算法计算其描述子,最后,使用匹配算法对两组特征点的描述子进行比较,以找到相互匹配的特征点对。在OpenCV中,特征点匹配的类主要是。是一个抽象基类,用于特征点描述子之间的匹配操作。 阅读详情

相关推荐

OpenCV快速入门:特征点检测与匹配

在计算机视觉领域,特征点检测与匹配是解决多种问题的核心,包括图像识别、跟踪、三维重建和运动分析。OpenCV作为一个功能强大的视觉处理库,提供了丰富的功能来处理这些任务。本博客旨在提供一个关于OpenCV中特征点检测与匹配方法的快速入门指南。我们将从角点检测开始,探讨如Harris、Shi-Tomasi和FAST等经典算法,介绍它们的原理、公式和代码实现。接着,我们将深入到特征点检测的高级话题,覆盖如SIFT、SURF和ORB等算法。每种方法都会有详细的函数解析,帮助理解其背后的工作原理。

吾家有猫名探花的博客 1万+

opencv学习-特征匹配

opencv特征匹配算法

wyw0000的博客 4345

【Python+OpenCV】主流特征点检测器和描述子总结与实现附拼接结果(SIFT,SURF,ORB,AKAZE,FAST,BRIEF,CenSurE,BEBLID,SuperPoint)

主流特征点检测器及描述子总结(SIFT,SURF等)

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 14万+

OpenCV 特征点检测与匹配

①图像搜索,如以图搜图;②拼图游戏;③图像拼接,将两长有关联得图拼接到一起;

钢铁男儿 2752

OpenCV4学习笔记(46)——特征提取与描述之AKAZE特征提取描述算法

在之前的笔记《OpenCV4学习笔记(38)》中,整理记录了我本人对于经典特征算法——SIFT算法一些流程的理解,而今天要整理的是SIFT算法的其中一种改进算法,也即AKAZE特征算法。 AKAZE特征算法是SIFT特征算法的一种改进版本,但不使用高斯模糊来构建尺度空间,因为高斯模糊具有丢失边缘信息的缺点,进而采用非线性扩散滤波来构建尺度空间,从而保留图像更多的边缘特征。 在特征点提取阶段,AKA...

邱小兵的博客 7961

opencv AKAZE 局部特征匹配算法

基础知识点 AKAZE特征提取算法是局部特征描述子算法,是SIFT算法的改进、采用非线性扩散滤波迭代来提取与构建尺度空间、采用与SIFT类似的方法寻找特征点, 1 在描述子生成阶段采用ORB类似的方法生成描述子 2 描述子比ORB多了旋转不变性特征 3 ORB采用LDB方法,KAZE采用 M-LDB。 orb算法获取尺度不变性,构建了图像金字塔,在金字塔的每一层上都检测关键点。AKAZE则是改进算法。实际上,把AKAKE改成ORB就是执行ORB算法 //opencv里面,修改算法名称即可 Ptr<

qianbo042311的博客 4493

ORB/BRISK/AKAZE特征点提取、特征匹配的性能比较

特征点的提取与特征匹配的概述 特征点提取,输入一幅图片,提取出能代表这幅图片特征的一些点 这些点根据不同提特征的算法,具有一些性质 特征提取通常分为两步: 检测特征点 keypoints 计算描述子 descriptors 特征匹配: 通过计算的描述子,运用一定的度量方式,对描述子进行匹配,输出匹配成功的特征点对 maches ...

一米阳光 1万+

OpenCV图像特征提取与检测C++(五)特征描述子--Brute-Force匹配、FLANN特征匹配、平面对象识别、AKAZE局部特征检测与匹配、BRISK特征检测与匹配、ORB特征提检测与匹配

特征描述子 即图像中每个像素位置的描述,通过此描述去匹配另一张图像是否含有相同特征。 暴力匹配:Brute-Force 图像匹配本质上是特征匹配。因为我们总可以将图像表示成多个特征向量的组成,因此如果两 幅图片具有相同的特征向量越多,则可以认为两幅图片的相似程度越高。而特征向量的相似程度通常是用它们之间的欧氏距离来衡量,欧式距离越小,则可以认为越相似。 代码: #include &amp;amp;amp;lt...

法兰西流浪者博客 2019

004 OpenCV akaze特征点检测匹配

OpenCV akaze特征点检测匹配

整理ing 4920

opencv (五十五)特征点匹配

最小汉明距离筛选之后,,匹配正确率提高了很多,错误的匹配点只有圆圈而没有连线,但是任然存在少利郎错误匹配连线;匹配距离越大,匹配点对就越多,连线也越多,会有误匹配点;反之,距离越小,匹配点对越少,正确率越高;但是人为设定阈值的优化方式,比较被动;未筛选结果,即所有的匹配对全部连线;KNN匹配中需要1对K的匹配。根据描述子之间的距离进行匹配。下一节,介绍较好的优化方式;小白学视觉,笔记,扩展。给出1000个特征点,出现了较多的错误匹配;

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 180

ARM和FPGA之间的通信(硬件原理图篇)

设计该开发板的初衷是为了学习,但也希望今后能扩展其功能,看到大家都在diy示波器,自己也非常冲动的想DIY一把,于是呼选了arm+fpga的方案,fpga主要用来实现数据的高速采样,而ARM则提供数据的显示,以及一些人机交互的功能。那么该方案中最重要的地方就是ARM和FPGA之间的通信如何实现了。在网上查了很多的资料,有说将FPGA作为ARM的一个外设,可以通过DMA的方式来直接访问;也有说把FP

屌yy的博客 5万+

opencv AKAZE 特征点提取

本章内容 1. AKAZE 特征点提取 2. 计算特征描述子 3. FLANN特征匹配 4. 绘制匹配结果 1. AKAZE 特征点提取 输出结果: 2. 单应性变换,平面对象 输出结果 源码: #include <iostream> #include <opencv2/opencv.hpp> #include <opencv2/xfeatures2d.hpp> ...

人工智能笔记 2768

无刷直流电机计算转速

一个霍尔传感器周期(Tms)有两种模式输出方式(3FG/1FG),一个电周期是6个60°电角度,电机磁极数是P,磁极对数PP = P / 2 3FG模式: 1个电周期= 6 * T 1FG模式: 1个电周期= 2 * T 1秒钟电周期个数: 1分钟电周期个数: 1分钟转速: 举例: 假设电机磁极数是8,3FG模式下,霍尔周期700us,计算该条件下转速 ...

meimiaorenshengqq的博客 9712

Python+Opencv2(三)图像特征匹配

文章目录一、检测特征点1.sift检测特征点2.surf检测特征点3.brisk检测特征点4.orb检测特征点5.akaze检测特征点6.总结二、特征匹配1.暴力匹配法2.KNN匹配法3.FLANN匹配法4.总结 环境:python3.7 + opencv3.4.2 后文运用SIFT和SURF,需安装opencv-contrib-python pip uninstall opencv-python...

cungudafa的博客 1万+

数据分析项目:直播电商用户流失分析

其中,'Tenure'(在网时长)可能是影响用户流失的关键因素,意味着用户在平台上的停留时间越长,流失的可能性可能越低,这提示平台应注重提高用户粘性,增加用户在平台上的活跃度和停留时间。)的分析,挖掘用户流失的原因和模式,分析发现用户投诉处理效率(Complain)、距上次消费时长(DaySinceLastOrder)、会员生命周期(Tenure)等8项核心指标对流失预测贡献度达87%,模型准确率94.58%,并提出相应的建议。重视用户的满意度,及时处理用户的投诉和反馈,不断改进平台的服务和功能。

Nervousr的博客 2471

linux下redhat6.8(理论是都适用)安装oracle12c---详细教程

1、配置yum源 1)、删除Redhat自带的yum: (2)、上传centos的yum包,并按照顺序安装,所需的rpm包通过点击这里获取(放在oracle文件中的centos yum):上传到linux中 进行安装 yum包链接:https://pan.baidu.com/s/1TxciCWEd7d-d4kGoea0L1w 提取码:eufp `` --注意后面两个安装包一起安装 ## 3)、更改系统yum源: 编辑rhel-source.repo文件,将其中的$releas

z931407229的博客 1149

opencv之AKAZE局部检测与匹配

AKAZE局部匹配介绍 AOS构造尺度空间 Hessian矩阵特征点检测 方向指定基于一阶微分图像 描述子生成 AKAZE与KAZE的区别带K是快速的 与SIFT/SURF比较 更加稳定 非线性尺度空间 AKAZE速度更加快 比较新的算法,只有在opencv新版本中才有 KAZE是日语音译过来的 , KAZE与SIFT、SURF最大的区别在于构造尺度空间,KAZE是利用非线性方式构造,得到的...

笔记用 2431

A*(star)算法原理讲解以及程序实现(基于Python)

本文将以迷宫探索最优路径为例,讲解A *搜索算法原理及其程序实现。在原理讲解部分,首先从为什么要使用A *搜索算法和A *搜索算法的全局最优逻辑出发,讲解A *算法的原理。其次对A *的行动函数g(n)和启发函数h(n)的细节进行了讲解说明,并补充了启发函数的选择对于A *算法的影响。在程序实现部分,首先从程序流程框图出发,解释A *算法的流程。其次按函数的类划分并讲解主要代码,接着展示程序的运行结果,最后对A *算法进行总结分析。

m0_73366745的博客 8292

akaze特征匹配怎么去掉不合适的点_SURF特征点检测

SURF特征点检测SURF特征点检测是另一种比较好的特征点检测算法。相对于SIFT算法而言,SURF算法的速度要快很多。算法全称叫speed up robust feature,即快速鲁棒特征。其实,该算法是从SIFT算法改进而来。SIFT算法检测特征点速度太慢,而且特征点的描述算子太过复杂。SURF主要改进了特征点的检测方法和特征点描述算子。在SURF算法中,采用Hessian矩阵生成...

weixin_39719732的博客 289

驯服电源尖峰:从BUCK/BOOST环路剖析到高di/dt噪声的实战抑制

本文深入探讨了电源系统中高di/dt噪声的产生机制及抑制方法,通过BUCK/BOOST电路的环路分析,揭示了电流路径不连续导致的电压尖峰问题。文章提供了实用的PCB布局技巧和噪声抑制策略,包括最短回路原则、铺铜优化和过孔阵列战术,帮助工程师有效降低EMI噪声,提升电源系统的稳定性。

weixin_29587015的博客 277

云桌面如何部署?云桌面系统方案部署详细教程

云桌面作为一种比较新的技术工具,核心解决的场景是方便设计师的灵活办公,本身技术就是非常的灵活性,所以在安装部署方面青椒云也做到了十足的灵活。

2301_79113726的博客 1644

akaze特征匹配怎么去掉不合适的点_SIFT特征点

图像特征点检测一直是研究的热点,从早期的harris角点检测开始,一直有很多人关注图像特征点的检测。最早人们关注图像中的角点,主要是因为角点能够代表图像中的一些特征。比如,通过检测两幅图像中的角点,可以实现图像匹配、分类等。但是,早前的角点检测算法不具有放射不变性,即对于旋转、平移、缩放等图像的适应性不好。此外,光照不变性的性能也比较差。直到SIFT算法横空出世,很好的解决了这方面的问题。SIFT...

weixin_39727402的博客 308

[密码学实战]密评考试训练系统v1.0程序及密评参考题库(获取路径在文末)(二十四)

本系统将密码学理论与软件工程实践相结合,为密评备考提供了高效解决方案。随着《密码法》的深入实施,掌握密评知识将成为信息安全从业者的核心竞争力。立即开始您的密码安全专家之旅!(注:实际应用请以最新发布版本为准)

曼岛_的博客 804

OpenCV——KAZE、AKAZE特征检测、匹配与对象查找

AKAZE是KAZE的加速版 特征点查找和绘制:把surf中的surf改成KAZE或AKAZE即可 1 #include <opencv2/opencv.hpp> 2 #include <opencv2/xfeatures2d.hpp> 3 #includ...

一抹烟霞的博客 835

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: python种颜色循环_python – matplotlib fill_between不会循环显示颜色
下一篇: wxpython下载_wxpython
weixin_40000430
博客等级 码龄9年 42粉丝 153原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址