OpenCV4开发入门教程116：AKAZE特征与描述子

AKAZE特征算法是SIFT特征算法的一种改进版本，但不使用高斯模糊来构建尺度空间，因为高斯模糊具有丢失边缘信息的缺点，进而采用非线性扩散滤波来构建尺度空间，从而保留图像更多的边缘特征。

在特征点提取阶段，AKAZE算法采用与SIFT算法类似的提取特征点方式，即在同一金字塔层内的不同尺度的一组图像中寻找最大特征点。

然后在特征描述子生成阶段，采用与ORB特征算法类似的方法生成描述子（可参阅《OpenCV4学习笔记（40）》），但ORB算法中采用LDB特征描述算法来生成特征描述子，而AKAZE采用 M-LDB特征描述算法来生成描述子，使得最终得到的特征具有旋转不变性。M-LDB特征描述算法是基于LDB特征描述算法并针对图像的旋转和缩放进行改进，相比LDB具有旋转不变性和尺度不变性，进一步提高了特征的鲁棒性。

通过AKAZE特征算法得到的描述子具有旋转不变性、尺度不变性、光照不变性、空间不变性等，而且其鲁棒性、特征独特性和特征精度相比起ORB、SIFT算法提取出的特征要更好。

AKAZE算法作为KAZE算法的性能提升版本，利用Fast Explicit Diffusion(FED)来构建尺度空间。因为盒子滤波可以很好地近似高斯核，并且能够提升速度、易于实现，所以其主要思想是循环执行M次的盒子滤波，每次循环都有N个步长的显式扩散，每一步的步长是非线性的、也即是不断变化的，初始步长起源于盒子滤波的因式分解。

虽然其速度有了一定的提升，但是仍然不足以胜任实时处理的需求。

#include <opencv2/core/core.hpp> 
#include <opencv2/highgui/highgui.hpp> 
#include <opencv2/imgproc/imgproc.hpp> 
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/xfeatures2d.hpp>

using namespace cv;

int main(int argc, char** argv) 
{ 
    Mat img_1 = imread("box.png"); 
    Mat img_2 = imread("box_in_scene.png");

    std::vector<KeyPoint> keypoints_1,keypoints_2; 

    // -- Stpe 2: Calculate descriptors (feature vectors) 
    Ptr<AKAZE> akaze=AKAZE::create(); 
    Mat descriptors_1, descriptors_2; 
    akaze->detectAndCompute(img_1, Mat(),keypoints_1, descriptors_1); 
    akaze->detectAndCompute(img_2, Mat(),keypoints_2, descriptors_2);

    //-- Step 3: Matching descriptor vectors with a brute force matcher 
    BFMatcher matcher(NORM_HAMMING); 
    std::vector<DMatch> mathces; 
    matcher.match(descriptors_1, descriptors_2, mathces); 
    // -- dwaw matches 
    Mat img_mathes; 
    drawMatches(img_1, keypoints_1, img_2, keypoints_2, mathces, img_mathes); 
    // -- show 
    imshow("Mathces", img_mathes);

    waitKey(0); 
    return 0; 
}