作者：tornadomeet 出處：http://www.cnblogs.com/tornadomeet 歡迎轉載或分享，但請務必宣告文章出處。

因為最近準備看特徵點檢查方面的原始碼，而其中最著名的演算法就是sift和surf。因此這次主要是學會怎樣使用opencv中的sift和surf函式來檢測特徵點和描述特徵點，以及怎樣使用其演算法來進行特徵點匹配。慶幸的是，sift演算法雖然是專利，但是在opencv的努力下也獲得了作者的允許，將其加入了新版本的opencv中了。

使用環境：opencv2.3.1+vs2010

功能：找出2幅圖中特徵點，並將其描述出來，且在2幅中進行匹配。2幅圖內容相同，但是經過了曝光，旋轉，縮放處理過。

首先來看sift演算法函式的使用。

工程程式碼：

// sift_test.cpp : 定義控制檯應用程式的入口點。
#include "stdafx.h"
#include <stdio.h>
#include <iostream>
#include "opencv2/core/core.hpp"//因為在屬性中已經配置了opencv等目錄，所以把其當成了本地目錄一樣#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"

using namespace cv;
using
 
 namespace std;

void readme();

int main(int argc,char* argv[])
{
    Mat img_1=imread("./image/query.png",CV_LOAD_IMAGE_GRAYSCALE);//巨集定義時CV_LOAD_IMAGE_GRAYSCALE=0，也就是讀取灰度影象    Mat img_2=imread("./image/rs_query.png",CV_LOAD_IMAGE_GRAYSCALE);//一定要記得這裡路徑的斜線方向，這與Matlab裡面是相反的    
    if(!img_1.data || !img_2.data)//
 
如果資料為空    {
        cout<<"opencv error"<<endl;
        return -1;
    }
    cout<<"open right"<<endl;

    //第一步，用SIFT運算元檢測關鍵點    
    SiftFeatureDetector detector;//建構函式採用內部預設的    std::vector<KeyPoint> keypoints_1,keypoints_2;//構造2個專門由點組成的點向量用來儲存特徵點
    detector.detect(img_1,keypoints_1);//將img_1影象中檢測到的特徵點儲存起來放在keypoints_1中    detector.detect(img_2,keypoints_2);//同理

    //在影象中畫出特徵點    Mat img_keypoints_1,img_keypoints_2;

    drawKeypoints(img_1,keypoints_1,img_keypoints_1,Scalar::all(-1),DrawMatchesFlags::DEFAULT);//在記憶體中畫出特徵點    drawKeypoints(img_2,keypoints_2,img_keypoints_2,Scalar::all(-1),DrawMatchesFlags::DEFAULT);

    imshow("sift_keypoints_1",img_keypoints_1);//顯示特徵點    imshow("sift_keypoints_2",img_keypoints_2);

    //計算特徵向量    SiftDescriptorExtractor extractor;//定義描述子物件
    Mat descriptors_1,descriptors_2;//存放特徵向量的矩陣
    extractor.compute(img_1,keypoints_1,descriptors_1);//計算特徵向量    extractor.compute(img_2,keypoints_2,descriptors_2);

    //用burte force進行匹配特徵向量    BruteForceMatcher<L2<float>>matcher;//定義一個burte force matcher物件    vector<DMatch>matches;
    matcher.match(descriptors_1,descriptors_2,matches);

    //繪製匹配線段    Mat img_matches;
    drawMatches(img_1,keypoints_1,img_2,keypoints_2,matches,img_matches);//將匹配出來的結果放入記憶體img_matches中

    //顯示匹配線段    imshow("sift_Matches",img_matches);//顯示的標題為Matches    waitKey(0);
    return 0;
}

執行結果如下：

下面看surf演算法函式的使用(和sift基本一樣，就是函式名改了下而已)：

工程程式碼：

// surf_test.cpp : 定義控制檯應用程式的入口點。
//

#include "stdafx.h"
#include <stdio.h>
#include <iostream>
#include "opencv2/core/core.hpp"//因為在屬性中已經配置了opencv等目錄，所以把其當成了本地目錄一樣#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"

using namespace cv;
using namespace std;

void readme();

int main(int argc,char* argv[])
{
    Mat img_1=imread("./image/query.png",CV_LOAD_IMAGE_GRAYSCALE);//巨集定義時CV_LOAD_IMAGE_GRAYSCALE=0，也就是讀取灰度影象    Mat img_2=imread("./image/rs_query.png",CV_LOAD_IMAGE_GRAYSCALE);//一定要記得這裡路徑的斜線方向，這與Matlab裡面是相反的    
    if(!img_1.data || !img_2.data)//如果資料為空    {
        cout<<"opencv error"<<endl;
        return -1;
    }
    cout<<"open right"<<endl;

    //第一步，用SURF運算元檢測關鍵點    int minHessian=400;

    SurfFeatureDetector detector(minHessian);
    std::vector<KeyPoint> keypoints_1,keypoints_2;//構造2個專門由點組成的點向量用來儲存特徵點
    detector.detect(img_1,keypoints_1);//將img_1影象中檢測到的特徵點儲存起來放在keypoints_1中    detector.detect(img_2,keypoints_2);//同理

    //在影象中畫出特徵點    Mat img_keypoints_1,img_keypoints_2;

    drawKeypoints(img_1,keypoints_1,img_keypoints_1,Scalar::all(-1),DrawMatchesFlags::DEFAULT);
    drawKeypoints(img_2,keypoints_2,img_keypoints_2,Scalar::all(-1),DrawMatchesFlags::DEFAULT);

    imshow("surf_keypoints_1",img_keypoints_1);
    imshow("surf_keypoints_2",img_keypoints_2);

    //計算特徵向量    SurfDescriptorExtractor extractor;//定義描述子物件
    Mat descriptors_1,descriptors_2;//存放特徵向量的矩陣
    extractor.compute(img_1,keypoints_1,descriptors_1);
    extractor.compute(img_2,keypoints_2,descriptors_2);

    //用burte force進行匹配特徵向量    BruteForceMatcher<L2<float>>matcher;//定義一個burte force matcher物件    vector<DMatch>matches;
    matcher.match(descriptors_1,descriptors_2,matches);

    //繪製匹配線段    Mat img_matches;
    drawMatches(img_1,keypoints_1,img_2,keypoints_2,matches,img_matches);//將匹配出來的結果放入記憶體img_matches中

    //顯示匹配線段    imshow("surf_Matches",img_matches);//顯示的標題為Matches    waitKey(0);
    return 0;
}

其執行結果如下：

      從這個實驗可以知道，在opencv中使用這2個演算法是多麼的簡單！只需要簡單的幾個引數就可以達到很好的效果。但這只是opencv的低階應用，我們應該在最好能用opencv一些內部函式來幫助實現自己的演算法和想法。這就是分析opencv原始碼的主要目的。

     另外，從實驗的過程中可以感覺出來surf演算法的執行時間比sift快很多，且特徵點的數目檢測得比較多，其它的暫時還沒區別出來。歡迎交流，謝謝！