OpenCV4开发入门教程116:AKAZE特征与描述子

索引地址:系列索引

特征:图像特征与特征描述子

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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#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;
}

效果

akaze

OpenCV4开发入门教程116:AKAZE特征与描述子
https://feater.top/opencv/opencv-akaze-feature-descriptor
作者
JackeyLea
发布于
2020年10月6日
许可协议