opencv3/C++中如何實現(xiàn)平面對象識別和透視變換方式

這篇文章給大家分享的是有關(guān)opencv3/C++中如何實現(xiàn)平面對象識別和透視變換方式的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

findHomography( )

函數(shù)findHomography( )找到兩個平面之間的透視變換H。

參數(shù)說明：

Mat findHomography( 
InputArray srcPoints, //原始平面中點的坐標(biāo)
InputArray dstPoints, //目標(biāo)平面中點的坐標(biāo)
int method = 0, //用于計算單應(yīng)性矩陣的方法
double ransacReprojThreshold = 3, 
OutputArray mask=noArray(), //通過魯棒法（RANSAC或LMEDS）設(shè)置的可選輸出掩碼
const int maxIters = 2000, //RANSAC迭代的最大次數(shù)，2000是它可以達到的最大值
const double confidence = 0.995 //置信度
);

用于計算單應(yīng)性矩陣的方法有：

0 ：使用所有點的常規(guī)方法；

RANSAC：基于RANSAC的魯棒法；

LMEDS ：最小中值魯棒法；

RHO ：基于PROSAC的魯棒法；

被最小化。如果參數(shù)方法被設(shè)置為默認(rèn)值0，則函數(shù)使用所有的點對以簡單的最小二乘方案計算初始單應(yīng)性估計。

然而，如果不是所有的點對 都符合剛性透視變換（也就是說有一些異常值），那么這個初始估計就會很差。在這種情況下，可以使用三種魯棒法之一。方法RANSAC，LMeDS和RHO嘗試使用這個子集和一個簡單的最小二乘算法來估計單應(yīng)矩陣的各個隨機子集（每個子集有四對），然后計算計算的單應(yīng)性的質(zhì)量/良好度（這是RANSAC的內(nèi)點數(shù)或LMeD的中值重投影誤差）。然后使用最佳子集來產(chǎn)生單應(yīng)矩陣的初始估計和內(nèi)點/外點的掩碼。

不管方法是否魯棒，計算的單應(yīng)性矩陣都用Levenberg-Marquardt方法進一步細化（僅在魯棒法的情況下使用inlier）以更多地減少再投影誤差。

RANSAC和RHO方法幾乎可以處理任何異常值的比率，但需要一個閾值來區(qū)分異常值和異常值。 LMeDS方法不需要任何閾值，但只有在超過50％的內(nèi)部值時才能正常工作。最后，如果沒有異常值且噪聲相當(dāng)小，則使用默認(rèn)方法（method = 0）。

perspectiveTransform(）

函數(shù)perspectiveTransform(）執(zhí)行矢量的透視矩陣變換。

參數(shù)說明：

void perspectiveTransform(
InputArray src, //輸入雙通道或三通道浮點數(shù)組/圖像
OutputArray dst, //輸出與src相同大小和類型的數(shù)組/圖像
InputArray m //3x3或4x4浮點轉(zhuǎn)換矩陣
);

平面對象識別：

#include<opencv2/opencv.hpp>
#include<opencv2/xfeatures2d.hpp>
using namespace cv;
using namespace cv::xfeatures2d;

int main()
{
 Mat src1,src2;
 src1 = imread("E:/image/image/card.jpg");
 src2 = imread("E:/image/image/cards.jpg");
 if (src1.empty() || src2.empty())
 {
  printf("can ont load images....\n");
  return -1;
 }
 imshow("image1", src1);
 imshow("image2", src2);

 int minHessian = 400;
 //選擇SURF特征
 Ptr<SURF>detector = SURF::create(minHessian);
 std::vector<KeyPoint>keypoints1;
 std::vector<KeyPoint>keypoints2;
 Mat descriptor1, descriptor2;
 //檢測關(guān)鍵點并計算描述符
 detector->detectAndCompute(src1, Mat(), keypoints1, descriptor1);
 detector->detectAndCompute(src2, Mat(), keypoints2, descriptor2);

 //基于Flann的描述符匹配器
 FlannBasedMatcher matcher;
 std::vector<DMatch>matches;
 //從查詢集中查找每個描述符的最佳匹配
 matcher.match(descriptor1, descriptor2, matches);
 double minDist = 1000;
 double maxDist = 0;
 for (int i = 0; i < descriptor1.rows; i++)
 {
  double dist = matches[i].distance;
  printf("%f \n", dist);
  if (dist > maxDist)
  {
   maxDist = dist;
  }
  if (dist < minDist)
  {
   minDist = dist;
  }

 }
 //DMatch類用于匹配關(guān)鍵點描述符的
 std::vector<DMatch>goodMatches;
 for (int i = 0; i < descriptor1.rows; i++)
 {
  double dist = matches[i].distance;
  if (dist < max(2*minDist, 0.02))
  {
   goodMatches.push_back(matches[i]);
  }
 }
 Mat matchesImg;
 drawMatches(src1, keypoints1, src2, keypoints2, goodMatches, matchesImg, Scalar::all(-1), 
  Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

 std::vector<Point2f>point1, point2;
 for (int i = 0; i < goodMatches.size(); i++)
 {
  point1.push_back(keypoints1[goodMatches[i].queryIdx].pt);
  point2.push_back(keypoints2[goodMatches[i].trainIdx].pt);
 }

 Mat H = findHomography(point1, point2, RANSAC);
 std::vector<Point2f>cornerPoints1(4);
 std::vector<Point2f>cornerPoints2(4);
 cornerPoints1[0] = Point(0, 0);
 cornerPoints1[1] = Point(src1.cols, 0);
 cornerPoints1[2] = Point(src1.cols, src1.rows);
 cornerPoints1[3] = Point(0,src1.rows);
 perspectiveTransform(cornerPoints1, cornerPoints2, H);

 //繪制出變換后的目標(biāo)輪廓，由于左側(cè)為圖像src2故坐標(biāo)點整體右移src1.cols
 line(matchesImg, cornerPoints2[0] + Point2f(src1.cols, 0), cornerPoints2[1] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
 line(matchesImg, cornerPoints2[1] + Point2f(src1.cols, 0), cornerPoints2[2] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
 line(matchesImg, cornerPoints2[2] + Point2f(src1.cols, 0), cornerPoints2[3] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
 line(matchesImg, cornerPoints2[3] + Point2f(src1.cols, 0), cornerPoints2[0] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);

 //在原圖上繪制出變換后的目標(biāo)輪廓
 line(src2, cornerPoints2[0], cornerPoints2[1], Scalar(0,255,255), 4, 8, 0);
 line(src2, cornerPoints2[1], cornerPoints2[2], Scalar(0,255,255), 4, 8, 0);
 line(src2, cornerPoints2[2], cornerPoints2[3], Scalar(0,255,255), 4, 8, 0);
 line(src2, cornerPoints2[3], cornerPoints2[0], Scalar(0,255,255), 4, 8, 0);

 imshow("output", matchesImg);
 imshow("output2", src2);

 waitKey();
 return 0;
}

感謝各位的閱讀！關(guān)于“opencv3/C++中如何實現(xiàn)平面對象識別和透視變換方式”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！