#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
using namespace std;
using namespace cv;
int main(int argc, char** argv)
{
/*
if(argc!=3)//判斷命令行輸入對錯
{
cout<<"usage: feature_extraction img1 img2"<<endl;
return 1;
}
*/
//讀取要匹配的兩張圖像
Mat img_1 = imread("1.jpg", CV_LOAD_IMAGE_COLOR);
Mat img_2 = imread("2.jpg", CV_LOAD_IMAGE_COLOR);
//初始化
//首先創建兩個關鍵點數組，用於存放兩張圖像的關鍵點，數組元素是KeyPoint類型
std::vector<KeyPoint> keypoints_1, keypoints_2;
//創建兩張圖像的描述子，類型是Mat類型
Mat descriptors_1, descriptors_2;
//創建一個ORB類型指針orb，ORB類是繼承自Feature2D類
//class CV_EXPORTS_W ORB : public Feature2D
//這裏看一下create()源碼：參數較多，不介紹。
//creat()方法所有參數都有默認值，返回static Ptr<ORB>類型。
/*
CV_WRAP static Ptr<ORB> create(int nfeatures=500,
float scaleFactor=1.2f,
int nlevels=8,
int edgeThreshold=31,
int firstLevel=0,
int WTA_K=2,
int scoreType=ORB::HARRIS_SCORE,
int patchSize=31,
int fastThreshold=20);
*/
//所以這裏的語句就是創建一個Ptr<ORB>類型的orb，用於接收ORB類中create()函數的返回值
Ptr<ORB> orb = ORB::create();
//第一步：檢測Oriented FAST角點位置.
//detect是Feature2D中的方法，orb是子類指針，可以調用
//看一下detect()方法的原型參數：需要檢測的圖像，關鍵點數組，第三個參數爲默認值
/*
CV_WRAP virtual void detect( InputArray image,
CV_OUT std::vector<KeyPoint>& keypoints,
InputArray mask=noArray() );
*/
orb->detect(img_1, keypoints_1);
orb->detect(img_2, keypoints_2);
//第二步：根據角點位置計算BRIEF描述子
//compute是Feature2D中的方法，orb是子類指針，可以調用
//看一下compute()原型參數：圖像，圖像的關鍵點數組，Mat類型的描述子
/*
CV_WRAP virtual void compute( InputArray image,
CV_OUT CV_IN_OUT std::vector<KeyPoint>& keypoints,
OutputArray descriptors );
*/
orb->compute(img_1, keypoints_1, descriptors_1);
orb->compute(img_2, keypoints_2, descriptors_2);
//定義輸出檢測特徵點的圖片。
Mat outimg1;
//drawKeypoints()函數原型參數：原圖，原圖關鍵點，帶有關鍵點的輸出圖像，後面兩個爲默認值
/*
CV_EXPORTS_W void drawKeypoints( InputArray image,
const std::vector<KeyPoint>& keypoints,
InputOutputArray outImage,
const Scalar& color=Scalar::all(-1),
int flags=DrawMatchesFlags::DEFAULT );
*/
//注意看，這裏並沒有用到描述子，描述子的作用是用於後面的關鍵點篩選。
drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("ORB特徵點",outimg1);
//第三步：對兩幅圖像中的BRIEF描述子進行匹配，使用 Hamming 距離
//創建一個匹配點數組，用於承接匹配出的DMatch，其實叫match_points_array更爲貼切。matches類型爲數組，元素類型爲DMatch
vector<DMatch> matches;
//創建一個BFMatcher匹配器，BFMatcher類構造函數如下：兩個參數都有默認值，但是第一個距離類型下面使用的並不是默認值，而是漢明距離
//CV_WRAP BFMatcher( int normType=NORM_L2, bool crossCheck=false );
BFMatcher matcher (NORM_HAMMING);
//調用matcher的match方法進行匹配,這裏用到了描述子，沒有用關鍵點。
//匹配出來的結果寫入上方定義的matches[]數組中
matcher.match(descriptors_1, descriptors_2, matches);
//第四步：遍歷matches[]數組，找出匹配點的最大距離和最小距離，用於後面的匹配點篩選。
//這裏的距離是上方求出的漢明距離數組，漢明距離表徵了兩個匹配的相似程度，所以也就找出了最相似和最不相似的兩組點之間的距離。
double min_dist=0, max_dist=0;//定義距離
for (int i = 0; i < descriptors_1.rows; ++i)//遍歷
{
double dist = matches[i].distance;
if(dist<min_dist) min_dist = dist;
if(dist>max_dist) max_dist = dist;
}
printf("Max dist: %f\n", max_dist);
printf("Min dist: %f\n", min_dist);
//第五步：根據最小距離，對匹配點進行篩選，
//當描述自之間的距離大於兩倍的min_dist，即認爲匹配有誤，捨棄掉。
//但是有時最小距離非常小，比如趨近於0了，所以這樣就會導致min_dist到2*min_dist之間沒有幾個匹配。
// 所以，在2*min_dist小於30的時候，就取30當上限值，小於30即可，不用2*min_dist這個值了
std::vector<DMatch> good_matches;
for (int j = 0; j < descriptors_1.rows; ++j)
{
if (matches[j].distance <= max(2*min_dist, 30.0))
good_matches.push_back(matches[j]);
}
//第六步：繪製匹配結果
Mat img_match;//所有匹配點圖
//這裏看一下drawMatches()原型參數，簡單用法就是：圖1，圖1關鍵點，圖2，圖2關鍵點，匹配數組，承接圖像，後面的有默認值
/*
CV_EXPORTS_W void drawMatches( InputArray img1,
const std::vector<KeyPoint>& keypoints1,
InputArray img2,
const std::vector<KeyPoint>& keypoints2,
const std::vector<DMatch>& matches1to2,
InputOutputArray outImg,
const Scalar& matchColor=Scalar::all(-1),
const Scalar& singlePointColor=Scalar::all(-1),
const std::vector<char>& matchesMask=std::vector<char>(),
int flags=DrawMatchesFlags::DEFAULT );
*/
drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_match);
imshow("所有匹配點對", img_match);
Mat img_goodmatch;//篩選後的匹配點圖
drawMatches(img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch);
imshow("篩選後的匹配點對", img_goodmatch);
waitKey(0);
return 0;
}
