Java OpenCV-从knnMatch提取匹配项

Z时代
2024-01-10
分类：问答

我正在尝试实现一个非常简单的程序来查找两个图像之间的相似性。

我正在为此任务使用ORB特征检测器和图像描述符，并且正在使用识别匹配：

FeatureDetector detector = FeatureDetector.create(FeatureDetector.ORB);
DescriptorExtractor descriptor = DescriptorExtractor.create(DescriptorExtractor.ORB);
DescriptorMatcher matcher = DescriptorMatcher.create(DescriptorMatcher.BRUTEFORCE_HAMMING);
// DETECTION
// first image
Mat img1 = Imgcodecs.imread(path1, Imgcodecs.CV_LOAD_IMAGE_GRAYSCALE);
Mat descriptors1 = new Mat();
MatOfKeyPoint keypoints1 = new MatOfKeyPoint();
detector.detect(img1, keypoints1);
descriptor.compute(img1, keypoints1, descriptors1);
// second image
Mat img2 = Imgcodecs.imread(path2, Imgcodecs.CV_LOAD_IMAGE_GRAYSCALE);
Mat descriptors2 = new Mat();
MatOfKeyPoint keypoints2 = new MatOfKeyPoint();
detector.detect(img2, keypoints2);
descriptor.compute(img2, keypoints2, descriptors2);
// MATCHING
// match these two keypoints sets
List<MatOfDMatch> matches = new ArrayList<MatOfDMatch>();
matcher.knnMatch(descriptors1, descriptors2, matches, 5);

我能够按照以下方式绘制比赛：

// DRAWING OUTPUT
Mat outputImg = new Mat();
// this will draw all matches, works fine
Features2d.drawMatches2(img1, keypoints1, img2, keypoints2, matches, outputImg);
// save image
Imgcodecs.imwrite("result.jpg", outputImg);

问题是比赛太多，而且还包括相距遥远的比赛。我似乎找不到如何仅提取好的匹配项（超过某个阈值）？有人可以指出我正确的方向还是将我重定向到一些基本的工作示例？我已经花了几个小时，似乎迷路了。

回答：

如其他答案所述，有几种方法可以消除异常值和不良匹配项。我猜您找到了示例和教程，match而不是knnMatch利用其中的一些方法。

因此，您可能知道不同之处在于knnMatch，descriptor2针对中的每个描述符返回n个最佳匹配descriptor1。这意味着，您将获得匹配列表的列表，而不是匹配列表。我想这就是您遇到问题的原因。

使用的主要优点knnMatch是可以执行比率测试。因此，如果从一个描述符输入descriptor1到两个最佳描述符的descriptor2距离相似，则表明图像中存在重复的图案（例如，草丛前的栅栏尖端）。因此，此类匹配不可靠，应将其删除。（我不确定为什么要搜索五个最佳匹配-

knnMatch每个描述符将5传递给-。而是搜索两个。）

如果现在只想访问每个描述符的最佳匹配，则只需要访问“子列表”的第一个元素。在下面的示例中，您将找到使用RANSAC进行比率测试和单应性估计的示例（我在替换了所有内容knnMatch）：

    // ratio test
    LinkedList<DMatch> good_matches = new LinkedList<DMatch>();
    for (Iterator<MatOfDMatch> iterator = matches.iterator(); iterator.hasNext();) {
        MatOfDMatch matOfDMatch = (MatOfDMatch) iterator.next();
        if (matOfDMatch.toArray()[0].distance / matOfDMatch.toArray()[1].distance < 0.9) {
            good_matches.add(matOfDMatch.toArray()[0]);
        }
    }
    // get keypoint coordinates of good matches to find homography and remove outliers using ransac
    List<Point> pts1 = new ArrayList<Point>();
    List<Point> pts2 = new ArrayList<Point>();
    for(int i = 0; i<good_matches.size(); i++){
        pts1.add(keypoints1.toList().get(good_matches.get(i).queryIdx).pt);
        pts2.add(keypoints2.toList().get(good_matches.get(i).trainIdx).pt);
    }
    // convertion of data types - there is maybe a more beautiful way
    Mat outputMask = new Mat();
    MatOfPoint2f pts1Mat = new MatOfPoint2f();
    pts1Mat.fromList(pts1);
    MatOfPoint2f pts2Mat = new MatOfPoint2f();
    pts2Mat.fromList(pts2);
    // Find homography - here just used to perform match filtering with RANSAC, but could be used to e.g. stitch images
    // the smaller the allowed reprojection error (here 15), the more matches are filtered 
    Mat Homog = Calib3d.findHomography(pts1Mat, pts2Mat, Calib3d.RANSAC, 15, outputMask, 2000, 0.995);
    // outputMask contains zeros and ones indicating which matches are filtered
    LinkedList<DMatch> better_matches = new LinkedList<DMatch>();
    for (int i = 0; i < good_matches.size(); i++) {
        if (outputMask.get(i, 0)[0] != 0.0) {
            better_matches.add(good_matches.get(i));
        }
    }
    // DRAWING OUTPUT
    Mat outputImg = new Mat();
    // this will draw all matches, works fine
    MatOfDMatch better_matches_mat = new MatOfDMatch();
    better_matches_mat.fromList(better_matches);
    Features2d.drawMatches(img1, keypoints1, img2, keypoints2, better_matches_mat, outputImg);
    // save image
    Imgcodecs.imwrite("result.jpg", outputImg);