重映射与SURF特征点检测与匹配

一、重映射
1.1、简介
重映射在图像处理中主要的功能为：将一个图像中一个位置的像素放置到另一个图像指定位置的过程，可以根据自己设定的函数将图像进行变换，较常见的功能有关于x轴翻转，关于y轴翻转，关于x、y轴翻转。为了完成映射过程，有必要获得一些插值为非整数像素座标，因为源图像与目标图像的像素座标不是一一对应的。在实际应用中，我们通过重映射来表达每个像素的位置 (x,y)，转换关系如下图所示 :

其中 g( ) 是目标图像, f( ) 是源图像, h(x,y) 是作用于 (x,y) 的映射方法函数。在openCV中是通过 remap( )函数来实现重映射功能。
1.2、remap( )函数解析
remap( )函数的原型和参数如下：

  C++: void remap(InputArray src, 
                  OutputArraydst, 
                  InputArray map1, 
                  InputArray map2, 
                  int interpolation,   
                  int borderMode=BORDER_CONSTANT, 
                  const Scalar& borderValue=Scalar( ) )

参数解析：
第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可，且需为单通道8位或者浮点型图像。
第二个参数，OutputArray类型的dst，函数调用后的运算结果存在这里，即这个参数用于存放函数调用后的输出结果，和源图片有一样的尺寸和类型。
第三个参数，InputArray类型的map1，它有两种可能的表示对象。
（1）表示点（x，y）的第一个映射。
（2）表示CV_16SC2 , CV_32FC1 或CV_32FC2类型的X值。
第四个参数，InputArray类型的map2，同样，它也有两种可能的表示对象，而且它是根据map1来确定表示那种对象。
（1）若map1表示点（x，y）时。这个参数不代表任何值。
（2）表示CV_16UC1 , CV_32FC1类型的Y值（第二个值）。
第五个参数，int类型的interpolation,插值方式，之前的resize( )函数中有讲到，需要注意，resize( )函数中提到的INTER_AREA插值方式在这里是不支持的，所以可选的插值方式如下：
（1）INTER_NEAREST - 最近邻插值；

（2）INTER_LINEAR – 双线性插值（默认值）；
（3）INTER_CUBIC – 双三次样条插值（逾4×4像素邻域内的双三次插值）；
（4）INTER_LANCZOS4 -Lanczos插值（逾8×8像素邻域的Lanczos插值）。
第六个参数，int类型的borderMode，边界模式，有默认值BORDER_CONSTANT，表示目标图像中“离群点（outliers）”的像素值不会被此函数修改。
第七个参数，const Scalar&类型的borderValue，当有常数边界时使用的值，其有默认值Scalar( )，即默认值为0。
1.3、重映射实例
1、代码

#include "opencv2/highgui/highgui.hpp"  
#include "opencv2/imgproc/imgproc.hpp"  
#include <iostream>  

using namespace cv;

int main()
{
    //【0】变量定义  
    Mat srcImage, dstImage;
    Mat map_x, map_y;

    //【1】载入原始图  
    srcImage = imread("1.jpg", 1);
    if (!srcImage.data) { printf("读取图片错误，请确定目录下是否有imread函数指定的图片存在~！ \n"); return false; }
    imshow("原始图", srcImage);

    //【2】创建和原始图一样的效果图，x重映射图，y重映射图  
    dstImage.create(srcImage.size(), srcImage.type());
    map_x.create(srcImage.size(), CV_32FC1);
    map_y.create(srcImage.size(), CV_32FC1);

    //【3】双层循环，遍历每一个像素点，改变map_x & map_y的值  
    for (int j = 0; j < srcImage.rows; j++)
    {
        for (int i = 0; i < srcImage.cols; i++)
        {
            //改变map_x & map_y的值.   
            map_x.at<float>(j, i) = static_cast<float>(srcImage.cols-i);
            map_y.at<float>(j, i) = static_cast<float>(j);
        }
    }

    //【4】进行重映射操作  
    remap(srcImage, dstImage, map_x, map_y, CV_INTER_LINEAR, BORDER_CONSTANT, Scalar(0, 0, 0));

    //【5】显示效果图  
    imshow("【程序窗口】", dstImage);
    waitKey();

    return 0;
}

2、运行结果
（1）原图

（2）重映射效果图

二、利用SURF算法进行特征点检测
2.1、SURF算法简介
Speeded Up Robust Features（SURF，加速稳健特征）是一种稳健的局部特征点检测和描述算法。最初由Herbert Bay发表在2006年的欧洲计算机视觉国际会议（Europen Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。
Surf是对David Lowe在1999年提出的Sift算法的改进，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。与Sift算法一样，Surf算法的基本路程可以分为三大部分：局部特征点的提取、特征点的描述、特征点的匹配。但Surf在执行效率上有两大制胜法宝——一个是积分图在Hessian（黑塞矩阵）上的使用，一个是降维的特征描述子的使用。一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的稳定性。
Surf改进了Sift算法的特征提取和描述方式，用一种更为高效的方式完成特征的提取和描述，具体实现流程如下：
（1）构建Hessian（黑塞矩阵），生成所有的兴趣点，将其用于特征的提取；
（2）构建尺度空间；
（3）特征点定位；
（4）特征点主方向分配；
（5）生成特征点描述子；
（6）特征点匹配。
2.2、drawKeypoints( )函数解析

void drawKeypoints(const Mat&image, 
            const vector<KeyPoint>& keypoints, 
            constScalar& color=Scalar::all(-1), 
            int flags=DrawMatchesFlags::DEFAULT )

第一个参数，const Mat&类型的src，输入图像。
第二个参数，const vector&类型的keypoints，根据源图像得到的特征点，它是一个输出参数。
第三个参数，Mat&类型的outImage，输出图像，其内容取决于第五个参数标识符falgs。
第四个参数，const Scalar&类型的color，关键点的颜色，有默认值Scalar::all(-1)。
第五个参数，int类型的flags，绘制关键点的特征标识符，有默认值DrawMatchesFlags::DEFAULT。可以选取别的值。
2.3、SURF特征点检测实例
1、下面实现特征点的功能需要用到下面几点：
（1）使用 FeatureDetector 接口来发现感兴趣点；
（2）使用 SurfFeatureDetector 以及其函数 detect 来实现检测过程；
（3）使用函数 drawKeypoints 绘制检测到的关键点。
2、代码

#include "opencv2/core/core.hpp"  
#include "opencv2/features2d/features2d.hpp"  
#include "opencv2/highgui/highgui.hpp"  
#include "opencv2/nonfree/nonfree.hpp"  
#include <iostream>  

using namespace cv;

int main(int argc, char** argv)
{
    //【0】改变console字体颜色      
    system("color 2F");

    //【1】载入源图片并显示  
    Mat srcImage1 = imread("1.jpg", 1);
    Mat srcImage2 = imread("2.jpg", 1);
    if (!srcImage1.data || !srcImage2.data)//检测是否读取成功  
    {
        printf("读取图片错误，请确定目录下是否有imread函数指定名称的图片存在~！ \n"); return false;
    }
    imshow("原始图1", srcImage1);
    imshow("原始图2", srcImage2);

    //【2】定义需要用到的变量和类  
    int minHessian = 400;//定义SURF中的hessian阈值特征点检测算子  
    SurfFeatureDetector detector(minHessian);//定义一个SurfFeatureDetector（SURF） 特征检测类对象  
    std::vector<KeyPoint> keypoints_1, keypoints_2;//vector模板类是能够存放任意类型的动态数组，能够增加和压缩数据  

    //【3】调用detect函数检测出SURF特征关键点，保存在vector容器中  
    detector.detect(srcImage1, keypoints_1);
    detector.detect(srcImage2, keypoints_2);

    //【4】绘制特征关键点  
    Mat img_keypoints_1; 
    Mat img_keypoints_2;
    drawKeypoints(srcImage1, keypoints_1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
    drawKeypoints(srcImage2, keypoints_2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT);

    //【5】显示效果图  
    imshow("特征点检测效果图1", img_keypoints_1);
    imshow("特征点检测效果图2", img_keypoints_2);

    waitKey(0);
    return 0;
}

3、运行结果
（1）原图

（2）特征点检测效果

三、SURF特征点匹配
3.1、FLANN匹配算法简介
FLANN (Fast_Library_for_Approximate_Nearest_Neighbors)意为快速最近邻搜索包。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合,而且这些算法都已经被优化过了。在面对大数据集时它的效果要好于 BFMatcher。经验证，FLANN比其他的最近邻搜索软件快10倍。
3.2、代码

///SURF特征点匹配  
#include "opencv2/opencv.hpp"  
using namespace cv;
#include "opencv2/nonfree/nonfree.hpp"//SURF相关  
#include "opencv2/legacy/legacy.hpp"//匹配器相关  
#include <iostream>  
using namespace std;
int main()
{
    //1.SURF特征点提取——detect()方法    
    Mat srcImg1 = imread("1.jpg", CV_LOAD_IMAGE_COLOR);
    Mat srcImg2 = imread("2.jpg", CV_LOAD_IMAGE_COLOR);
    Mat dstImg1, dstImg2;
    //定义SURF特征检测类对象    
    SurfFeatureDetector surfDetector;//SurfFeatureDetector是SURF类的别名    
    //定义KeyPoint变量    
    vector<KeyPoint> keyPoints1;
    vector<KeyPoint> keyPoints2;
    //特征点检测    
    surfDetector.detect(srcImg1, keyPoints1);
    surfDetector.detect(srcImg2, keyPoints2);
    //绘制特征点(关键点)    
    drawKeypoints(srcImg1, keyPoints1, dstImg1);
    drawKeypoints(srcImg2, keyPoints2, dstImg2);
    //显示结果    
    imshow("dstImg1", dstImg1);
    imshow("dstImg2", dstImg2);
    //2.特征点描述符(特征向量)提取——compute()方法    
    SurfDescriptorExtractor descriptor;//SurfDescriptorExtractor是SURF类的别名     
    Mat description1;
    Mat description2;
    descriptor.compute(srcImg1, keyPoints1, description1);
    descriptor.compute(srcImg2, keyPoints2, description2);
    //3.使用Flann匹配器进行匹配——FlannBasedMatcher类的match()方法    
    FlannBasedMatcher matcher;//实例化Flann匹配器  
    vector<DMatch> matches;
    matcher.match(description1, description2, matches);
    //4.对匹配结果进行筛选（依据DMatch结构体中的float类型变量distance进行筛选）    
    float minDistance = 100;
    float maxDistance = 0;
    for (int i = 0; i < matches.size(); i++)
    {
        if (matches[i].distance < minDistance)
            minDistance = matches[i].distance;
        if (matches[i].distance > maxDistance)
            maxDistance = matches[i].distance;
    }
    cout << "minDistance: " << minDistance << endl;
    cout << "maxDistance: " << maxDistance << endl;
    vector<DMatch> goodMatches;
    for (int i = 0; i < matches.size(); i++)
    {
        if (matches[i].distance < 2 * minDistance)
        {
            goodMatches.push_back(matches[i]);
        }
    }
    //5.绘制匹配结果——drawMatches()    
    Mat dstImg3;
    drawMatches(srcImg1, keyPoints1, srcImg2, keyPoints2, goodMatches, dstImg3);
    imshow("dstImg3", dstImg3);
    waitKey(0);
    return 0;
}

3.3、运行结果
（1）原图

（2）特征匹配结果

重映射与SURF特征点检测与匹配

神經網絡解析和深度學習簡介

字符串相關leetcode—python實現（一）

反向傳播算法的案例解析

反向傳播算法的公式推導（BP算法）

SVM算法（三）（有監督學習）

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結