首先明确两个问题，①为什么要引进图像特征？②什么是图像特征？ 简而言之，引入图像特征的目的就是让计算机能够识别图像，比如抓取到图片A中有长鼻子那么判断图片A为大象，抓取到图片B有长耳朵，那么可以说图片B为兔子。那么什么是图像特征？通俗来讲，就是图像本身能够同其他图片进行区分的一些特征，这些特征在进行尺寸变化，或者非复杂仿射变换时依然存在的一些特征。图像特征能够解决的问题包括有识别，定位，追踪，三维重建等。下面上干货
#include <iostream>
#include <opencv2/opencv.hpp>
#include "highgui/highgui.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/legacy/legacy.hpp"
using namespace std;
using namespace cv;
Mat src, dst;
vector<vector<Point>> contours;
void detect_default()
{
//利用图像的表征识别出图像的缺陷
//利用绝对阈值寻找图像中的黑点
src=imread("default.bmp", 0);
threshold(src, dst, 10, 255, THRESH_BINARY_INV);
Mat draw_src = src.clone();
findContours(dst, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);
//这里并未对轮廓的周长以及面积进行判断，特殊情况需自行判断特征类型
for (int i = 0; i < contours.size(); i++)
{
Rect m_rect = boundingRect(contours[i]);
rectangle(draw_src, Rect(m_rect.x - 5, m_rect.y - 5, m_rect.width + 10, m_rect.height + 10),200,1);
}
imshow("黑点缺陷", draw_src);
//利用相对阈值寻找图像中的凹点
src = imread("default.bmp", 0);
dst = src.clone();
blur(dst, dst, Size(3, 3), Point(-1, -1));
adaptiveThreshold(dst, dst, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 15, 20);
contours.clear();
draw_src = src.clone();
findContours(dst, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);
for (int i = 0; i < contours.size(); i++)
{
Rect m_rect = boundingRect(contours[i]);
rectangle(draw_src, Rect(m_rect.x - 8, m_rect.y - 8, m_rect.width + 16, m_rect.height + 16), 200, 1);
}
imshow("凹缺陷", draw_src);
waitKey(0);
}
void model_match()
{
//图像的相关性，既指图像自身像素间的相关性，比如寻找连通区域。也可指不同图像之间的相关性，比如模板匹配
//下面用模板匹配，来寻找图中的匹配物
src = imread("dota2.jpg", 0);
Mat draw_src=imread("dota2.jpg");
imshow("原图", src);
Mat model = imread("model.jpg",0);
imshow("模型", model);
Mat res;
matchTemplate(src, model, res, 0);
Point min_point,max_point;
double match_value;
minMaxLoc(res, &match_value, NULL, &min_point, &max_point);
rectangle(draw_src, Rect(min_point.x, min_point.y, model.cols, model.rows), Scalar(0,0,255), 1);
}
void pca_calc()
{
//谈到pca的时候，我们做个假设，假设图像是由10块积木搭成的，其中第一块的一块占据了这个图像的80%
//第二块占据了图像的10%，第三块占据了图像的5%，依次类推，然后，我们把这张图拆成10块积木，拿出前两块拼好
//然后我说，这两块是可以代表这幅图的，显然这是个伪命题，但从一定程度来说，这两块的确能代表整幅图。这就是PCA的
//思想，我们用svd对一张图进行分解，分解出来的就是图像的特征，也可以说是奇异值，然后对这些奇异值进行重组，
//这就能起到降维的作用
Mat img = imread("timg.jpg", IMREAD_GRAYSCALE);
imshow("原图", img);
img.convertTo(img, CV_32FC1);//转换为float类型
string tile = "压缩比率";
Mat U, W, VT;
SVD svd;
//这里进行奇异值分解
svd.compute(img, W, U, VT);
//将矩阵进行压缩
//原始数据进行压缩之后是 m*m m*n n*n
//由于特征值在前几行中占有的比率是比较大的，所以，仅仅选择前几行(r)作为好的特征值
//那么分解的结果就变为 m*r r*r r*n 这样的形式
double radio = 1;//压缩比率
int rows = radio*img.rows;
Mat WROI = Mat::zeros(rows, rows, CV_32FC1);//W矩阵的大小
//填充举着WROI，这里的i就是控制奇异值的输出量，奇异值从大到小排列，这里的i去0到rows，就是完美复原，取0到30就处于原图近似
for (int i = 0; i < 30; ++i)
{
WROI.at<float>(i, i) = W.at<float>(i);
}
Mat UROI = U.colRange(0, rows);//主要注意的是，colrange中不包含End
Mat VTROI = VT.rowRange(0, rows);
Mat Result = UROI*WROI*VTROI;
Result.convertTo(Result, CV_8UC1);
namedWindow(tile);
imshow(tile, Result);
waitKey(0);
}
void feature_match()
{
//大脑在接收视觉的时候，他会关注图像中有这突变的点，不管是像素值上的突变，还是轮廓上的突变，
//opencv也有类似的算法，他能自动帮你找出这些突变的点,surf是其中一个，下面采用的是surf的一个变种算法SIFT
//sift比起surf的一个好处是他能够解决遮挡以及背景混乱的问题
Mat image01 = imread("view1.png", 1);
Mat image02 = imread("view2.png", 1);
imshow("p2", image01);
imshow("p1", image02);
//灰度图转换
Mat image1, image2;
cvtColor(image01, image1, CV_RGB2GRAY);
cvtColor(image02, image2, CV_RGB2GRAY);
//提取特征点
SurfFeatureDetector surfDetector(2000); // 海塞矩阵阈值，在这里调整精度，值越大点越少，越精准
vector<KeyPoint> keyPoint1, keyPoint2;
surfDetector.detect(image1, keyPoint1);
surfDetector.detect(image2, keyPoint2);
//特征点描述，为下边的特征点匹配做准备
SurfDescriptorExtractor SurfDescriptor;
Mat imageDesc1, imageDesc2;
SurfDescriptor.compute(image1, keyPoint1, imageDesc1);
SurfDescriptor.compute(image2, keyPoint2, imageDesc2);
FlannBasedMatcher matcher;
vector<vector<DMatch> > matchePoints;
vector<DMatch> GoodMatchePoints;
vector<Mat> train_desc(1, imageDesc1);
matcher.add(train_desc);
matcher.train();
matcher.knnMatch(imageDesc2, matchePoints, 2);
cout << "total match points: " << matchePoints.size() << endl;
// Lowe's algorithm,获取优秀匹配点
for (int i = 0; i < matchePoints.size(); i++)
{
if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
{
GoodMatchePoints.push_back(matchePoints[i][0]);
}
}
Mat first_match;
drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
imshow("first_match ", first_match);
waitKey();
}
int main()
{
//基于像素变化的缺陷查找
detect_default();
//基于特征向量的svd以及pca
pca_calc();
//基于特征点的特征点匹配
feature_match();
//基于统计特征：轮廓的周长&面积，像素的均值&偏差，全局但不局限于全局上的直方图，基于卷积的描绘子等
model_match();
namedWindow("main", WINDOW_AUTOSIZE);
return 0;
}
下面这是detect_deafult()的效果
这是pca_calc()的效果图
下面是feature_match()的效果图
下面是model_match()的效果图
