Просеивать реализацию с помощью OpenCV 2.2

Ответ 1

Ниже приведен минимальный пример:

#include <opencv/cv.h>
#include <opencv/highgui.h>

int main(int argc, const char* argv[])
{
    const cv::Mat input = cv::imread("input.jpg", 0); //Load as grayscale

    cv::SiftFeatureDetector detector;
    std::vector<cv::KeyPoint> keypoints;
    detector.detect(input, keypoints);

    // Add results to image and save.
    cv::Mat output;
    cv::drawKeypoints(input, keypoints, output);
    cv::imwrite("sift_result.jpg", output);

    return 0;
}

Протестировано на OpenCV 2.3

Ответ 2

Вы можете получить детектор SIFT и экстрактор на основе SIFT несколькими способами. Поскольку другие уже предложили более прямые методы, я предоставлю более "программный" подход, который может сделать ваш код более гибким для изменений (т.е. Легче изменить на другие детекторы и экстракторы).

Во-первых, если вы хотите получить детектор, используя встроенные параметры, лучший способ - использовать методы OpenCV factory для его создания. Вот как:

#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>

#include <vector>

using namespace std;
using namespace cv;

int main(int argc, char *argv[])
{        
  Mat image = imread("TestImage.jpg");

  // Create smart pointer for SIFT feature detector.
  Ptr<FeatureDetector> featureDetector = FeatureDetector::create("SIFT");
  vector<KeyPoint> keypoints;

  // Detect the keypoints
  featureDetector->detect(image, keypoints); // NOTE: featureDetector is a pointer hence the '->'.

  //Similarly, we create a smart pointer to the SIFT extractor.
  Ptr<DescriptorExtractor> featureExtractor = DescriptorExtractor::create("SIFT");

  // Compute the 128 dimension SIFT descriptor at each keypoint.
  // Each row in "descriptors" correspond to the SIFT descriptor for each keypoint
  Mat descriptors;
  featureExtractor->compute(image, keypoints, descriptors);

  // If you would like to draw the detected keypoint just to check
  Mat outputImage;
  Scalar keypointColor = Scalar(255, 0, 0);     // Blue keypoints.
  drawKeypoints(image, keypoints, outputImage, keypointColor, DrawMatchesFlags::DEFAULT);

  namedWindow("Output");
  imshow("Output", outputImage);

  char c = ' ';
  while ((c = waitKey(0)) != 'q');  // Keep window there until user presses 'q' to quit.

  return 0;

}

Причина использования методов factory является гибкой, поскольку теперь вы можете переключиться на другой детектор ключей или экстрактор признаков, например. SURF, просто изменив аргумент, переданный методам "create" factory следующим образом:

Ptr<FeatureDetector> featureDetector = FeatureDetector::create("SURF");
Ptr<DescriptorExtractor> featureExtractor = DescriptorExtractor::create("SURF");

Для других возможных аргументов для передачи других детекторов или экстракторов см. http://opencv.itseez.com/modules/features2d/doc/common_interfaces_of_feature_detectors.html#featuredetector-create

http://opencv.itseez.com/modules/features2d/doc/common_interfaces_of_descriptor_extractors.html?highlight=descriptorextractor#descriptorextractor-create

Теперь, используя методы factory, вы получаете удобство не угадывать некоторые подходящие параметры для прохождения к каждому из детекторов или экстракторов. Это может быть удобно для людей, новых для их использования. Однако, если вы хотите создать свой собственный SIFT-детектор, вы можете обернуть объект SiftDetector, созданный с помощью настраиваемых параметров, и перенести его в интеллектуальный указатель и обратиться к нему с помощью переменной интеллектуального указателя featureDetector, как указано выше.

Ответ 3

Простой пример использования SIFT без функции детектора функции в opencv 2.4

#include <opencv2/opencv.hpp>
#include <opencv2/nonfree/nonfree.hpp>
using namespace cv;

int main(int argc, char** argv)
{

    if(argc < 2)
        return -1;

    Mat img = imread(argv[1]);

    SIFT sift;
    vector<KeyPoint> key_points;

    Mat descriptors;
    sift(img, Mat(), key_points, descriptors);

    Mat output_img;
    drawKeypoints(img, key_points, output_img);

    namedWindow("Image");
    imshow("Image", output_img);
    waitKey(0);
    destroyWindow("Image");

    return 0;
}

Ответ 4

OpenCV предоставляет SIFT и SURF (здесь тоже) и другие дескрипторы функций из коробки.
Обратите внимание, что алгоритм SIFT запатентован, поэтому он может быть несовместим с обычным использованием/лицензией OpenCV.

Ответ 5

Еще один простой пример использования SIFT без функции детектора функции в opencv 2.4 Обязательно добавьте зависимость opencv_nonfree240.lib

#include "cv.h"
#include "highgui.h"
#include <opencv2/nonfree/nonfree.hpp>

int main(int argc, char** argv)
{
   cv::Mat img = cv::imread("image.jpg");

   cv::SIFT sift(10);   //number of keypoints

   cv::vector<cv::KeyPoint> key_points;

   cv::Mat descriptors, mascara;
   cv::Mat output_img;

   sift(img,mascara,key_points,descriptors);
   drawKeypoints(img, key_points, output_img);

   cv::namedWindow("Image");
   cv::imshow("Image", output_img);
   cv::waitKey(0);

   return 0;
}

Ответ 6

если кому-то интересно, как это сделать с двумя изображениями:

import numpy as np
import cv2

print ('Initiate SIFT detector')
sift = cv2.xfeatures2d.SIFT_create()
print ('find the keypoints and descriptors with SIFT')
gcp1, des1 = sift.detectAndCompute(src_img,None)
gcp2, des2 = sift.detectAndCompute(trg_img,None)

# create BFMatcher object
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)


matches = bf.match(des1,des2)
# Sort them in the order of their distance.
matches = sorted(matches, key = lambda x:x.distance)

#print only the first 100 matches
img3 = drawMatches(src_img, gcp1, trg_img, gcp2, matches[:100])