图像匹配算法之brisk

本文通过一个实例展示了如何使用BRISK算法进行特征检测和匹配,并探讨了OpenCV中的BFMatcher和FlannBasedMatcher的区别。BFMatcher寻找最佳匹配,而FlannBasedMatcher则采用近似匹配,适用于速度要求较高的场景。同时,文中提到了不同特征描述符类型对应的匹配方式,如ORB和BRIEF只能使用BruteForce匹配。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

单目标匹配

#include <cv.h>  
#include<opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/core/core.hpp> 
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/nonfree/features2d.hpp> 
#include <opencv2/calib3d/calib3d.hpp>
#include <opencv2/nonfree/nonfree.hpp>  
#include <Windows.h>  
using namespace cv;
using namespace std;
int main()
{
//Load Image  
Mat c_src1 = imread("1-301.bmp");
Mat c_src2 = imread("1-200(1).bmp");
Mat src1 = imread("1-301.bmp", CV_LOAD_IMAGE_GRAYSCALE);
Mat src2 = imread("1-200(1).bmp", CV_LOAD_IMAGE_GRAYSCALE);
if (!src1.data || !src2.data)
{
cout << "Error reading images " << std::endl;
return -1;
}
//feature detect  
BRISK detector;
vector<KeyPoint> kp1, kp2;
double start = GetTickCount();
detector.detect(src1, kp1);
detector.detect(src2, kp2);
//cv::BRISK extractor;  
Mat des1, des2;//descriptor  
detector.compute(src1, kp1, des1);
detector.compute(src2, kp2, des2);
Mat res1, res2;
int drawmode = DrawMatchesFlags::DRAW_RICH_KEYPOINTS;
drawKeypoints(c_src1, kp1, res1, Scalar::all(-1), drawmode);//画出特征点  
drawKeypoints(c_src2, kp2, res2, Scalar::all(-1), drawmode);
cout << "size of description of Img1: " << kp1.size() << endl;
cout << "size of description of Img2: " << kp2.size() << endl;
BFMatcher matcher(NORM_HAMMING);
vector<DMatch> matches;
matcher.match(des1, des2, matches);
double end = GetTickCount();
cout << "耗时:" << (end - start) << "ms" << endl;
Mat img_match;
drawMatches(src1, kp1, src2, kp2, matches, img_match);
cout << "number of matched points: " << matches.size() << endl;
namedWindow("m

### BRISK 特征点匹配算法原理 BRISK是一种高效的特征提取与描述方法,特别适用于实时应用场景。该算法通过检测图像中的关键点并生成二进制字符串作为描述子来实现鲁棒性和高效性[^2]。 #### 关键点检测 BRISK利用FAST角点检测器寻找潜在的兴趣区域。这些兴趣点通常位于图像亮度变化显著的地方,能够提供丰富的局部信息用于后续处理。 #### 描述子生成 对于每一个选定的关键点,BRISK定义了一个圆形支持区域,并在这个区域内选取多个成对的样本位置。每一对样本之间的强度差异被用来构建一位二进制位;如果左侧样本更亮,则记录为1,反之则记作0。最终形成固定长度(通常是512比特)的独特指纹——即描述向量。 这种方法不仅计算简单快速,而且产生的描述具有旋转不变特性以及一定的尺度适应能力,使得即使面对视角变换或光照条件改变的情况也能保持良好的识别效果。 ```python import cv2 import numpy as np def brisk_feature_matching(image1_path, image2_path): img1 = cv2.imread(image1_path, 0) img2 = cv2.imread(image2_path, 0) # 初始化BRISK检测器 brisk = cv2.BRISK_create() # 寻找关键点和描述符 kp1, des1 = brisk.detectAndCompute(img1, None) kp2, des2 = brisk.detectAndCompute(img2, None) # 使用BFMatcher进行暴力匹配 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1,des2) # 对匹配结果按距离排序 matches = sorted(matches, key=lambda x:x.distance) match_img = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) return match_img ``` 此代码片段展示了如何使用OpenCV库执行基于BRISK特性的两幅图片间的特征匹配操作。它先加载两张待比较的照片,接着创建一个BRISK对象实例化以获取各自的关键点及其对应的描述数据。最后借助于Brute Force Matcher完成实际配对工作并将前十个最佳对应关系可视化呈现出来。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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