技术笔记：openCV特征点识别与findHomography算法过滤

一，首先我们对函数先进行分析

findHomography：

计算多个二维点对之间的最优单映射变换矩阵 H（3行x3列） （就是对图片的矫正），使用最小均方误差或者RANSAC方法

函数功能：找到两个平面之间的转换矩阵。

这里涉及到映射变换的知识，

下面介绍下什么是映射变换：

1，如下图所示：

如果平面上点场的点建立了一个一一对应，并且满足：

（1）任何共线三点的象仍是共线三点；

（2）共线四点的交比不变。

则这个一一对应叫做点场的射影变换，简称射影变换

交比：

一维射影变换:

二维的图像是这样的

射影变换也叫做单应（Homography）

图1通过H矩阵变换变成图2，就是这个函数的公式

X′=HX

X′代表图2

其操作过程

在“大”图像（目标图像）上选择4个点和“小”图像（被合并图像）的四角做对应，然后根据这4对对应的点计算两幅图像的单应矩阵。

得到单应矩阵H后，利用函数warpPerspective将H应用到“小”图像上，得到图像M

将图像M合并到目标图像中选择的四个点的位置

Mat cv::findHomography ( InputArray srcPoints,

InputArray dstPoints,

int method = 0,

double ransacReprojThreshold = 3,

OutputArray mask = noArray(),

const int maxIters = 2000,

const double confidence = 0.995

)

参数详解：

srcPoints 源平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector

类型

dstPoints 目标平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector

类型

method 计算单应矩阵所使用的方法。不同的方法对应不同的参数，具体如下：

0 - 利用所有点的常规方法

RANSAC - RANSAC-基于RANSAC的鲁棒算法

LMEDS - 最小中值鲁棒算法

RHO - PROSAC-基于PROSAC的鲁棒算法

ransacReprojThreshold

将点对视为内点的最大允许重投影错误阈值（仅用于RANSAC和RHO方法）。如果

则点被认为是个外点（即错误匹配点对）。若srcPoints和dstPoints是以像素为单位的，则该参数通常设置在1到10的范围内。

mask

可选输出掩码矩阵，通常由鲁棒算法（RANSAC或LMEDS）设置。 请注意，输入掩码矩阵是不需要设置的。

maxIters RANSAC 算法的最大迭代次数，默认值为2000。

confidence 可信度值，取值范围为0到1.

首先定义两个vector保存对应的4对点

//图片映射矩阵把不同角度的图片矫正

void findHomographyText(){

// Read source image.

Mat src = imread("F:\视觉\opencv\pic\1.png");

// Four corners of the book in source image

vector

pts_src;

pts_src.push_back(Point2f(0, 0));

pts_src.push_back(Point2f(src.cols, 0));

pts_src.push_back(Point2f(src.cols, src.rows));

pts_src.push_back(Point2f(0, src.rows));

// Four corners of the book in destination image.

vector

pts_dst;

pts_dst.push_back(Point2f(0, 0));

pts_dst.push_back(Point2f(src.cols/4, 0));

pts_dst.push_back(Point2f(src.cols/3, src.rows));

pts_dst.push_back(Point2f(0, src.rows/2));

// Calculate Homography

Mat h = findHomography(pts_src, pts_dst);

// Output image

Mat im_out;

// Warp source image to destination based on homography

warpPerspective(src, im_out, h, src.size());

// Display images

imshow("Source Image", src);

imshow("Warped Source Image", im_out);

waitKey(0);

}

结果如下图所示对图像进行拉伸

步骤如下

1,相求H

vector

pts_src;

pts_src.push_back(Point2f(0, 0));

pts_src.push_back(Point2f(src.cols, 0));

pts_src.push_back(Point2f(src.cols, src.rows));

pts_src.push_back(Point2f(0, src.rows));

// Four corners of the book in destination image.

vector

pts_dst;

pts_dst.push_back(Point2f(0, 0));

pts_dst.push_back(Point2f(src.cols/4, 0));

pts_dst.push_back(Point2f(src.cols/3, src.rows));

pts_dst.push_back(Point2f(0, src.rows/2));

// Calculate Homography

Mat h = findHomography(pts_src, pts_dst);

通过H求对应的图像（映射到输出图片上）

warpPerspective(src, im_out, h, src.size());

warpPerspective：通过H求取

im_out输出值介绍完两个主要的函数下面开始对图像进行识别和标记

2，SURF对图像的识别和标记

1，开发思路

（1）使用SIFT或者SURF进行角点检测，获取两个图像的的角点集合

（2）根据两个集合，使用特征点匹配，匹配类似的点 FlannBasedMatcher

（3）过滤特征点对。

（4）通过特征点对，求出H值

（5）画出特征区域

代码实现：

1，使用SIFT或者SURF进行角点检测，获取两个图像的的角点集合

src = imread("F:\视觉\opencv\pic\11.png");//读图片

src3 = imread("F:\视觉\opencv\pic\5.png");//读图片

int minHessian = 400;

cvtColor(src, src, COLOR_BGR2GRAY);

cvtColor(src3, src3, COLOR_BGR2GRAY);

Ptr detector = SIFT::create(minHessian);

vector keypoints_obj;//图片1特征点

vector keypoints_scene;//图片2特征点

Mat descriptor_obj, descriptor_scene;

//找出特征点存到keypoints_obj与keypoints_scene点集中

detector->detectAndCompute(src, Mat(), keypoints_obj, descriptor_obj);

detector->detectAndCompute(src3, Mat(), keypoints_scene, descriptor_scene);

// matching 找到特征集合

FlannBasedMatcher matcher;

vector matches;

matcher.match(descriptor_obj, descriptor_scene, matches);

2，过滤相似度高的图像

// find good matched points

double minDist = 1000;

//代码效果参考：http://www.jhylw.com.cn/383329613.html

double maxDist = 0;

for (int i = 0; i < descriptor_obj.rows; i++) {

double dist = matches【i】.distance;

if (dist > maxDist) {

maxDist = dist;

}

if (dist [span style="color: rgba(0, 0, 0, 1)"> minDist) {

minDist = dist;

}

}

printf("max distance : %f\n", maxDist);

printf("min distance : %f\n", minDist);

vector goodMatches;

//过滤相同的点

for (int i = 0; i < descriptor_obj.rows; i++) {

double dist = matches【i】.distance;//相识度

printf("distance : %f\n", dist);

if (dist < max(3 minDist, 0.2)) {

goodMatches.push_back(matches【i】);

}

}

3，求出H

vector

obj;

vector

objInScene;

for (size_t t = 0; t < goodMatches.size(); t++) {

//把DMatch转成坐标 Point2f

obj.push_back(keypoints_obj【goodMatches【t】.queryIdx】.pt);

objInScene.push_back(keypoints_scene【goodMatches【t】.trainIdx】.pt);

}

//用来求取“射影变换”的H转制矩阵函数 X'=H X ，并使用RANSAC消除一些出错的点

Mat H = findHomography(obj, objInScene, RANSAC);

4,使用H求出映射到大图的点

vector

obj_corners(4);

vector

scene_corners(4);

obj_corners【0】 = Point(0, 0);

obj_corners【1】 = Point(src.cols, 0);

obj_corners【2】 = Point(src.cols, src.rows);

obj_corners【3】 = Point(0, src.rows);

//透视变换(把斜的图片扶正)

cout [ H [ endl;

perspectiveTransform(obj_corners, scene_corners, H);

5，在原图上画线段

?123456789Mat dst; cvtColor(src3, dst, COLOR_GRAY2BGR); line(dst, scene_corners【0】, scene_corners【1】, Scalar(0, 0, 255), 2, 8, 0); line(dst, scene_corners【1】, scene_corners【2】, Scalar(0, 0, 255), 2, 8, 0); line(dst, scene_corners【2】, scene_corners【3】, Scalar(0, 0, 255), 2, 8, 0); line(dst, scene_corners【3】, scene_corners【0】, Scalar(0, 0, 255), 2, 8, 0); imshow("Draw object", dst);

　　相似效果

谢谢，如果觉得可以请点个赞！转发请付链接。。。。

原文链接：

// find good matched pointsdouble minDist = 1000;double maxDist = 0;

for (int i = 0; i maxDist) {maxDist = dist;}if (dist < minDist) {minDist = dist;}}printf("max distance : %f\n", maxDist);printf("min distance : %f\n", minDist);

vector goodMatches;//过滤相同的点for (int i = 0; i < descriptor_obj.rows; i++) {double dist = matches【i】.distance;//相识度printf("distance : %f\n", dist);if (dist < max(3 minDist, 0.2)) {goodMatches.push_back(matches【i】);}}