一，首先我們對函數先進行分析
findHomography：
計算多個二維點對之間的最優單映射變換矩陣 H（3行x3列） （就是對圖片的矯正），使用最小均方誤差或者RANSAC方法
函數功能：找到兩個平面之間的轉換矩陣。
這里涉及到映射變換的知識，
下面介紹下什么是映射變換：
1，如下圖所示：
二維的圖像是這樣的
射影變換也叫做單應（Homography）
圖1通過H矩陣變換變成圖2，就是這個函數的公式
X′=HX
X′代表圖2
其操作過程
- 在“大”圖像（目標圖像）上選擇4個點和“小”圖像（被合並圖像）的四角做對應，然后根據這4對對應的點計算兩幅圖像的單應矩陣。
- 得到單應矩陣H后，利用函數warpPerspective將H應用到“小”圖像上，得到圖像M
- 將圖像M合並到目標圖像中選擇的四個點的位置
Mat cv::findHomography ( InputArray srcPoints, InputArray dstPoints, int method = 0, double ransacReprojThreshold = 3, OutputArray mask = noArray(), const int maxIters = 2000, const double confidence = 0.995 )
參數詳解：
srcPoints 源平面中點的坐標矩陣，可以是CV_32FC2類型，也可以是vector<Point2f>類型
dstPoints 目標平面中點的坐標矩陣，可以是CV_32FC2類型，也可以是vector<Point2f>類型
method 計算單應矩陣所使用的方法。不同的方法對應不同的參數，具體如下：
0 - 利用所有點的常規方法
RANSAC - RANSAC-基於RANSAC的魯棒算法
LMEDS - 最小中值魯棒算法
RHO - PROSAC-基於PROSAC的魯棒算法
ransacReprojThreshold
將點對視為內點的最大允許重投影錯誤閾值（僅用於RANSAC和RHO方法）。如果
則點被認為是個外點（即錯誤匹配點對）。若srcPoints和dstPoints是以像素為單位的，則該參數通常設置在1到10的范圍內。
mask
可選輸出掩碼矩陣，通常由魯棒算法（RANSAC或LMEDS）設置。 請注意，輸入掩碼矩陣是不需要設置的。
maxIters RANSAC 算法的最大迭代次數，默認值為2000。
confidence 可信度值，取值范圍為0到1.
首先定義兩個vector保存對應的4對點
//圖片映射矩陣把不同角度的圖片矯正 void findHomographyText(){ // Read source image. Mat src = imread("F:\\視覺\\opencv\\pic\\1.png"); // Four corners of the book in source image vector<Point2f> pts_src; pts_src.push_back(Point2f(0, 0)); pts_src.push_back(Point2f(src.cols, 0)); pts_src.push_back(Point2f(src.cols, src.rows)); pts_src.push_back(Point2f(0, src.rows)); // Four corners of the book in destination image. vector<Point2f> pts_dst; pts_dst.push_back(Point2f(0, 0)); pts_dst.push_back(Point2f(src.cols/4, 0)); pts_dst.push_back(Point2f(src.cols/3, src.rows)); pts_dst.push_back(Point2f(0, src.rows/2)); // Calculate Homography Mat h = findHomography(pts_src, pts_dst); // Output image Mat im_out; // Warp source image to destination based on homography warpPerspective(src, im_out, h, src.size()); // Display images imshow("Source Image", src); imshow("Warped Source Image", im_out); waitKey(0); }
結果如下圖所示對圖像進行拉伸
步驟如下
1,相求H
vector<Point2f> pts_src; pts_src.push_back(Point2f(0, 0)); pts_src.push_back(Point2f(src.cols, 0)); pts_src.push_back(Point2f(src.cols, src.rows)); pts_src.push_back(Point2f(0, src.rows)); // Four corners of the book in destination image. vector<Point2f> pts_dst; pts_dst.push_back(Point2f(0, 0)); pts_dst.push_back(Point2f(src.cols/4, 0)); pts_dst.push_back(Point2f(src.cols/3, src.rows)); pts_dst.push_back(Point2f(0, src.rows/2)); // Calculate Homography Mat h = findHomography(pts_src, pts_dst);
通過H求對應的圖像（映射到輸出圖片上）
warpPerspective(src, im_out, h, src.size());
warpPerspective：通過H求取
im_out輸出值介紹完兩個主要的函數下面開始對圖像進行識別和標記
2，SURF對圖像的識別和標記
1，開發思路
（1）使用SIFT或者SURF進行角點檢測，獲取兩個圖像的的角點集合
（2）根據兩個集合，使用特征點匹配，匹配類似的點 FlannBasedMatcher
（3）過濾特征點對。
（4）通過特征點對，求出H值
（5）畫出特征區域
代碼實現：
1，使用SIFT或者SURF進行角點檢測，獲取兩個圖像的的角點集合
src = imread("F:\\視覺\\opencv\\pic\\11.png");//讀圖片 src3 = imread("F:\\視覺\\opencv\\pic\\5.png");//讀圖片 int minHessian = 400; cvtColor(src, src, COLOR_BGR2GRAY); cvtColor(src3, src3, COLOR_BGR2GRAY); Ptr<SIFT> detector = SIFT::create(minHessian); vector<KeyPoint> keypoints_obj;//圖片1特征點 vector<KeyPoint> keypoints_scene;//圖片2特征點 Mat descriptor_obj, descriptor_scene; //找出特征點存到keypoints_obj與keypoints_scene點集中 detector->detectAndCompute(src, Mat(), keypoints_obj, descriptor_obj); detector->detectAndCompute(src3, Mat(), keypoints_scene, descriptor_scene); // matching 找到特征集合 FlannBasedMatcher matcher; vector<DMatch> matches; matcher.match(descriptor_obj, descriptor_scene, matches);
2，過濾相似度高的圖像
// find good matched points double minDist = 1000; double maxDist = 0; for (int i = 0; i < descriptor_obj.rows; i++) { double dist = matches[i].distance; if (dist > maxDist) { maxDist = dist; } if (dist < minDist) { minDist = dist; } } printf("max distance : %f\n", maxDist); printf("min distance : %f\n", minDist); vector<DMatch> goodMatches; //過濾相同的點 for (int i = 0; i < descriptor_obj.rows; i++) { double dist = matches[i].distance;//相識度 printf("distance : %f\n", dist); if (dist < max(3 * minDist, 0.2)) { goodMatches.push_back(matches[i]); } }
3，求出H
vector<Point2f> obj; vector<Point2f> objInScene; for (size_t t = 0; t < goodMatches.size(); t++) { //把DMatch轉成坐標 Point2f obj.push_back(keypoints_obj[goodMatches[t].queryIdx].pt); objInScene.push_back(keypoints_scene[goodMatches[t].trainIdx].pt); } //用來求取“射影變換”的H轉制矩陣函數 X'=H X ，並使用RANSAC消除一些出錯的點 Mat H = findHomography(obj, objInScene, RANSAC);
4,使用H求出映射到大圖的點
vector<Point2f> obj_corners(4); vector<Point2f> scene_corners(4); obj_corners[0] = Point(0, 0); obj_corners[1] = Point(src.cols, 0); obj_corners[2] = Point(src.cols, src.rows); obj_corners[3] = Point(0, src.rows); //透視變換(把斜的圖片扶正) cout << H << endl; perspectiveTransform(obj_corners, scene_corners, H);
5，在原圖上畫線段
Mat dst;
cvtColor(src3, dst, COLOR_GRAY2BGR);
line(dst, scene_corners[0], scene_corners[1], Scalar(0, 0, 255), 2, 8, 0);
line(dst, scene_corners[1], scene_corners[2], Scalar(0, 0, 255), 2, 8, 0);
line(dst, scene_corners[2], scene_corners[3], Scalar(0, 0, 255), 2, 8, 0);
line(dst, scene_corners[3], scene_corners[0], Scalar(0, 0, 255), 2, 8, 0);
imshow("Draw object", dst);
相似效果
謝謝，如果覺得可以請點個贊！轉發請付鏈接。。。。
原文鏈接：https://blog.csdn.net/fengyeer20120/article/details/87798638
https://www.cnblogs.com/wangguchangqing/p/4645805.html
// find good matched pointsdouble minDist = 1000;double maxDist = 0;
for (int i = 0; i < descriptor_obj.rows; i++) {double dist = matches[i].distance;if (dist > maxDist) {maxDist = dist;}if (dist < minDist) {minDist = dist;}}printf("max distance : %f\n", maxDist);printf("min distance : %f\n", minDist);
vector<DMatch> goodMatches;//過濾相同的點for (int i = 0; i < descriptor_obj.rows; i++) {double dist = matches[i].distance;//相識度printf("distance : %f\n", dist);if (dist < max(3 * minDist, 0.2)) {goodMatches.push_back(matches[i]);}}